最小二乘法小结

Posted 刘建平Pinard

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了最小二乘法小结相关的知识,希望对你有一定的参考价值。

    最小二乘法是用来做函数拟合或者求函数极值的方法。在机器学习,尤其是回归模型中,经常可以看到最小二乘法的身影,这里就对我对最小二乘法的认知做一个小结。

  1.最小二乘法的原理与要解决的问题 

    最小二乘法是由勒让德在19世纪发现的,原理的一般形式很简单,当然发现的过程是非常艰难的。形式如下式:

      目标函数 = Σ(观测值-理论值)2

    观测值就是我们的多组样本,理论值就是我们的假设拟合函数。目标函数也就是在机器学习中常说的损失函数,我们的目标是得到使目标函数最小化时候的拟合函数的模型。举一个最简单的线性回归的简单例子,比如我们有m个只有一个特征的样本:

    \((x^{(1)},y^{(1)}), (x^{(2)},y^{(2)},...(x^{(m)},y^{(m)})\)

    样本采用下面的拟合函数:

    \(h_\theta(x) = \theta_0 + \theta_1 x\)

    这样我们的样本有一个特征x,对应的拟合函数有两个参数\(\theta_0 和 \theta_1\)需要求出。

    我们的目标函数为:

    \(J(\theta_0, \theta_1) = \sum\limits_{i=1}^{m}(y^{(i)} - h_\theta(x^{(i)})^2 = \sum\limits_{i=1}^{m}(y^{(i)} -  \theta_0 - \theta_1 x^{(i)})^2 \) 

    用最小二乘法做什么呢,使\(J(\theta_0, \theta_1)\)最小,求出使\(J(\theta_0, \theta_1)\)最小时的\(\theta_0 和 \theta_1\),这样拟合函数就得出了。

    那么,最小二乘法怎么才能使\(J(\theta_0, \theta_1)\)最小呢?

  2.最小二乘法的代数法解法

    上面提到要使\(J(\theta_0, \theta_1)\)最小,方法就是对\(\theta_0 和 \theta_1\)分别来求偏导数,令偏导数为0,得到一个关于\(\theta_0 和 \theta_1\)的二元方程组。求解这个二元方程组,就可以得到\(\theta_0 和 \theta_1\)的值。下面我们具体看看过程。

    \(J(\theta_0, \theta_1)对\theta_0\)求导,得到如下方程:

    \(\sum\limits_{i=1}^{m}(y^{(i)} -  \theta_0 - \theta_1 x^{(i)}) = 0 \)                                  ①

    \(J(\theta_0, \theta_1)对\theta_1\)求导,得到如下方程:

    \(\sum\limits_{i=1}^{m}(y^{(i)} -  \theta_0 - \theta_1 x^{(i)})x^{(i)} = 0 \)         ②

    ①和②组成一个二元一次方程组,容易求出\(\theta_0 和 \theta_1\)的值:

    

    \(\theta_0 = \sum\limits_{i=1}^{m}\big(x^{(i)})^2\sum\limits_{i=1}^{m}y^{(i)} - \sum\limits_{i=1}^{m}x^{(i)}\sum\limits_{i=1}^{m}x^{(i)}y^{(i)} \Bigg/ n\sum\limits_{i=1}^{m}\big(x^{(i)})^2 - \big(\sum\limits_{i=1}^{m}x^{(i)})^2\)

 

    \(\theta_1 = n\sum\limits_{i=1}^{m}x^{(i)}y^{(i)} - \sum\limits_{i=1}^{m}x^{(i)}\sum\limits_{i=1}^{m}y^{(i)} \Bigg/ n\sum\limits_{i=1}^{m}\big(x^{(i)})^2 - \big(\sum\limits_{i=1}^{m}x^{(i)})^2\)

 

    这个方法很容易推广到多个样本特征的线性拟合。

    拟合函数表示为 \(h_\theta(x_1, x_2, ...x_n) = \theta_0 + \theta_{1}x_1 + ... + \theta_{n}x_{n}\), 其中\(\theta_i \) (i = 0,1,2... n)为模型参数,\(x_i \) (i = 0,1,2... n)为每个样本的n个特征值。这个表示可以简化,我们增加一个特征\(x_0 = 1 \) ,这样拟合函数表示为:

    \(h_\theta(x_0, x_1, ...x_n) = \sum\limits_{i=0}^{n}\theta_{i}x_{i}\)。

    损失函数表示为:

           \(J(\theta_0, \theta_1..., \theta_n) = \sum\limits_{j=1}^{m}(h_\theta(x_0^{(j)}), x_1^{(j)}, ...x_n^{(j)})) - y^{(j)}))^2 = \sum\limits_{j=1}^{m}(\sum\limits_{i=0}^{n}\theta_{i}x_{i}^{(j)}- y{(j)})^2 \)

    利用损失函数对\(\theta_i\)(i=0,1,...n)求导,并令导数为0可得:

    \(\sum\limits_{j=0}^{m}(\sum\limits_{i=0}^{n}\theta_{i}x_{i}^{(j)} - y_j)x_i^{j}\) = 0   (i=0,1,...n)

    这样我们得到一个N+1元一次方程组,这个方程组有N+1个方程,求解这个方程,就可以得到所有的N+1个未知的\(\theta\)

    

以上是关于最小二乘法小结的主要内容,如果未能解决你的问题,请参考以下文章

最小二乘法小结

最小二乘法小结

ML-2最小二乘法(least squares)介绍

最小二乘法 及python 实现

浅谈最小二乘法

最小二乘法求线性回归方程的公式是啥?