最小二乘估计(Least Squares Approximations)、拟合(Fitting)
最小二乘估计、拟合
- 1.最小二乘估计(Least Squares Approximations)、拟合(Fitting)
- 1.1 最小化误差(Minimizing the Error)
- 1.1.1 几何角度理解
- 1.1.2 代数角度理解
- 1.1.2.1 直线拟合
- 1.1.2.2 曲线拟合
- 1.1.2.3 欠拟合、过拟合
- 1.1.3 微积分角度
- 1.2 例子
- 1.3 思路总结
1.最小二乘估计(Least Squares Approximations)、拟合(Fitting)
笔记来源:Least Squares Approximation | Linear Algebra | Khan Academy
1.1 最小化误差(Minimizing the Error)
1.1.1 几何角度理解
个人理解:
原空间(未经线性变换的空间,即单位基向量构成的空间)中的所有向量经过线性变换(矩阵 AAA)后驻留到了子空间 VVV 中,原空间没有一个向量 x⃗\vec{x}x 变到了图中向量 b⃗\vec{b}b 的位置,所以我们说 Ax⃗=b⃗A\vec{x}=\vec{b}Ax=b 无解,但我们可以在子空间 VVV 中找到一个向量 v⃗\vec{v}v,这个向量 v⃗\vec{v}v 最接近我们要求的向量 b⃗\vec{b}b,这里所说的子空间 VVV 中的这个向量其实就是向量 b⃗\vec{b}b 在子空间中的投影 ProjV(b⃗)Proj_V(\vec{b})ProjV(b)
也就是说原空间中的某个向量 x^\hat{x}x^ 经过线性变换(矩阵 AAA)后驻留到了子空间 V 中向量 b⃗\vec{b}b 投影的位置,我们将其称作向量 v⃗\vec{v}v
我们这里的用向量 b⃗\vec{b}b 和其在子空间 VVV 中的投影向量 ProjV(b⃗)Proj_V(\vec{b})ProjV(b) 的差向量 b⃗−ProjV(b⃗)\vec{b}-Proj_V(\vec{b})b−ProjV(b) 的大小叫做误差(Error),这个差向量因为垂直于子空间 VVV,所以这个差向量实际上就在子空间 VVV 的正交补集 V⊥V^{\perp}V⊥ 中
【我们要求的是向量 b⃗\vec{b}b,但实际我们只能达到 ProjV(b⃗)Proj_V(\vec{b})ProjV(b) 】
【其实在现实问题中就是由于测量中含有噪声,导致测量值与实际值之间存在误差】
v⃗=Ax^=ProjV(b⃗)v⃗∈V、b⃗−Ax^∈V⊥\vec{v}=A\hat{x}=Proj_V(\vec{b})\\ ~\\ \vec{v} \in V、\vec{b}-A\hat{x} \in V^{\perp} v=Ax^=ProjV(b) v∈V、b−Ax^∈V⊥
我们假设子空间 VVV 为列空间 C(A)C(A)C(A)、则其正交补集为左零空间 N(AT)N(A^T)N(AT)
v⃗∈C(A)、b⃗−Ax^∈N(AT)AT(b⃗−Ax^)=0⃗ATb⃗−ATAx^=0⃗ATb⃗=ATAx^Ax^=b⃗v⃗=Ax^=ProjC(A)(b⃗)Ax^=ProjC(A)(b⃗)\vec{v} \in C(A)、\vec{b}-A\hat{x} \in N(A^T)\\ ~\\ A^T(\vec{b}-A\hat{x})=\vec{0}\\ ~\\ A^T\vec{b}-A^TA\hat{x}=\vec{0}\\ ~\\ A^T\vec{b}=A^TA\hat{x}\\ ~\\ A\hat{x}=\vec{b}\\ ~\\ \vec{v}=A\hat{x}=Proj_{C(A)}(\vec{b})\\ ~\\ A\hat{x}=Proj_{C(A)}(\vec{b}) v∈C(A)、b−Ax^∈N(AT) AT(b−Ax^)=0 ATb−ATAx^=0 ATb=ATAx^ Ax^=b v=Ax^=ProjC(A)(b) Ax^=ProjC(A)(b)
其中 x^\hat{x}x^ 就是最小二乘估计
x^=(ATA)−1ATb⃗\hat{x}=(A^TA)^{-1}A^T\vec{b} x^=(ATA)−1ATb
1.1.2 代数角度理解
笔记来源:The Main Ideas of Fitting a Line to Data (The Main Ideas of Least Squares and Linear Regression.)
1.1.2.1 直线拟合
通过看所有数据点离直线距离的和来测量直线对数据的拟合有多好(距离和越小,拟合的越好)
1.1.2.2 曲线拟合
1.1.2.3 欠拟合、过拟合
下图来源于:数据分析中的插值与拟合(2) —— 拟合
1.1.3 微积分角度
残差平方和的偏导为0,意在寻找局部极值
1.2 例子
列空间中的基向量为:[012]\begin{bmatrix}0\\ 1\\ 2\end{bmatrix}⎣⎡012⎦⎤、[111]\begin{bmatrix}1\\ 1\\ 1\end{bmatrix}⎣⎡111⎦⎤
这两个基向量线性组合张成了矩阵AAA 的列空间,而向量 b⃗\vec{b}b 不在列空间中,所以基向量无法线性组合后得到向量 b⃗\vec{b}b
几何角度:
代数角度:
lineb=C+Dt=5−3tline\ b=C+Dt=5-3t line b=C+Dt=5−3t
微积分角度:
1.3 思路总结
最小二乘估计(Least Squares Approximations)、拟合(Fitting)相关推荐
- 最小二乘估计 Least Squares estimation
本文主要讲标准最小二乘方法及其常见的变形:加权最小二乘和总体最小二乘算法,关注不同方法之间的逻辑. 一.最小二乘估计(Least Squares estimation,LS) 最小二乘估计方法是一种不 ...
- 机器学习—模型估计与优化—线性模型—最小二乘估计
最小二乘估计 Least squares estimation 最小二乘法是一种基于误差平方和最小化的参数估计方法 最小二乘估计法,又称最小平方法,是一种数学优化技术.它通过最小化误差的平方和寻找数据 ...
- 最小二乘估计(Least squares estimation)
最小二乘估计(Least squares estimation) 最小二乘估计面向的问题 最小二乘估计(Least squares estimation) 加权最小二乘估计(Weighted leas ...
- 【南瓜书ML】(task2)线性模型的数学推导(最小二乘估计、广义瑞利商、极大似然估计等)
学习总结 学习线性模型(线性回归,对数几率回归进行分类,线性判别分析LDA进行降维,多分类学习,类别不平衡问题中的采样or处理方法等). 对数几率回归里的联合概率最大等价于线性回归里的均方误差最小,最 ...
- 拟合(Fitting)
个人博客:wyxogo.top 提取完边缘后如何使用数学模型来描述边缘? 例如:在桌子上有几枚硬币,在经过边缘提取后,需要描述出硬币的圆心坐标和圆的大小 难点 噪声:噪声的存在使拟合的模型偏离真实的线 ...
- 误差理论、贝叶斯、最大似然与最小二乘估计
误差理论 一.偏倚(bias)和方差(variance) 在讨论线性回归时,我们用一次线性函数对训练样本进行拟合(如图1所示):然而,我们可以通过二次多项式函数对训练样本进行拟合(如图2所示),函数对 ...
- 最小二乘估计的Matlab仿真
最小二乘估计 author:hwb version:0.01 现代信号处理作业,细节后续再填 文章目录 最小二乘估计 matlab仿真代码 仿真结果 结语 matlab仿真代码 clear clc s ...
- 14 最小二乘估计原理推导和线性回归的外推等
14 最小二乘估计原理推导和线性回归的外推等 标签:机器学习与数据挖掘 (此篇R代码对应本博客系列<12 R语言手册(第五站 多元回归>) 1.简单最小二乘估计的推导 先说个历史:最小 ...
- 递推最小二乘估计Matlab仿真
递推最小二乘估计Matlab仿真 递推最小二乘估计理论 仿真背景 Matlab程序 仿真动图 递推最小二乘估计理论 递推最小二乘是卡尔曼滤波的重要基础,关于最小二乘理论可以参见之前的文章( 最小二乘估 ...
最新文章
- c语言statistics函数,Statistics基本定理
- LSTM之父重提30年前的「快速权重存储系统」:线性Transformer只是它的一种变体...
- Eureka出现No instances available for xxx的五种解决方案(不能解决你骂我)
- publiccms按照指定显示的日期格式,格式化日期的写法
- SICP~计算机程序的构造和解释~ 1.12 c++实现
- php 变量代码,php中的可变变量(代码详解)
- python注册登录代码_python基础--注册和登录功能 代码
- 拓端tecdat|R语言数据可视化分析案例:探索BRFSS数据
- 【Java】Java与数字证书
- 管理新语:软件工作考评的设计思路
- 基于Springboot+Mybatisplus的学校学院门户学生就业指导管理系统
- 天气预报接口使用及示例
- 抢食生鲜,美团最大对手会是拼多多
- Python 自动关机小程序
- 实习生如何在平淡无奇的工作中凸显自我价值?
- 微信会员卡展示条形码
- 公共关系计算机操作题,Access上机操作题库.doc
- 关于element upload上传时额外参数的问题
- iOS11缩小界面导航栏与标签栏异常的问题
- mysql limit sql注入_LIMIT子句中的盲 SQL注入漏洞利用