推导多元最小二乘法的计算方法
直接的最小二乘法推导过程
多元线性模型
y=β0+β1x1+β2x2+⋯+βnxn(1)y=\beta_0+\beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_n x_n\tag{1}y=β0+β1x1+β2x2+⋯+βnxn(1)
对于m个样本来说,可以用线性方程组来表示:
y1=β0+β1x11+β2x12+⋯+βnx1ny_1=\beta_0+\beta_1 x_{11} + \beta_2 x_{12} + \cdots + \beta_n x_{1n}y1=β0+β1x11+β2x12+⋯+βnx1n
y2=β0+β1x21+β2x22+⋯+βnx2ny_2=\beta_0+\beta_1 x_{21} + \beta_2 x_{22} + \cdots + \beta_n x_{2n}y2=β0+β1x21+β2x22+⋯+βnx2n
⋯\cdots⋯
ym=β0+β1xm1+β2xm2+⋯+βnxmny_m=\beta_0+\beta_1 x_{m1} + \beta_2 x_{m2} + \cdots + \beta_n x_{mn}ym=β0+β1xm1+β2xm2+⋯+βnxmn
用矩阵来表示为:
(1x11⋯x1n1x21⋯x2n⋮⋮⋱⋮1xm1⋯xmn)(β0β1⋮βn)=(y1y2⋮ym)\begin{pmatrix}1&x_{11}&\cdots&x_{1n}\\1&x_{21}&\cdots&x_{2n}\\\vdots&\vdots&\ddots&\vdots\\1&x_{m1}&\cdots&x_{mn}\end{pmatrix} \begin{pmatrix}\beta_0\\\beta_1\\\vdots\\\beta_n\end{pmatrix}=\begin{pmatrix}y_1\\y_2\\\vdots\\y_m\end{pmatrix}⎝⎛11⋮1x11x21⋮xm1⋯⋯⋱⋯x1nx2n⋮xmn⎠⎞⎝⎛β0β1⋮βn⎠⎞=⎝⎛y1y2⋮ym⎠⎞
Aβ=Y(2)A\beta = Y\tag{2}Aβ=Y(2)
对于最小范式来说,误差最小化的矩阵表达形式为:
min∣∣Aβ−Y∣∣22\text{min}\vert\vert A\beta - Y\vert\vert_2^2min∣∣Aβ−Y∣∣22
下标的2代表向量范数的欧几里得范数
min∣∣Aβ−Y∣∣22=(Aβ−Y)T(Aβ−Y)=(βTAT−YT)(Aβ−Y)=βTATAβ−βTATY−YTAβ+YTY\begin{align*}\text{min}\vert\vert A\beta - Y\vert\vert_2^2&=(A\beta - Y)^T(A\beta-Y)\\&=(\beta^TA^T-Y^T)(A\beta - Y)\\&=\beta^TA^TA\beta - \beta^TA^TY - Y^TA\beta+Y^TY\end{align*}min∣∣Aβ−Y∣∣22=(Aβ−Y)T(Aβ−Y)=(βTAT−YT)(Aβ−Y)=βTATAβ−βTATY−YTAβ+YTY
βTATY\beta^TA^TYβTATY和YTAβY^TA\betaYTAβ都是标量
min∣∣Aβ−Y∣∣22=βTATAβ−2βTATY+YTY(3)\text{min}\vert\vert A\beta - Y\vert\vert_2^2=\beta^TA^TA\beta - 2\beta^TA^TY + Y^TY\tag{3}min∣∣Aβ−Y∣∣22=βTATAβ−2βTATY+YTY(3)
(3)式对β\betaβ进行求导,
向量积求导法则:
d(uTv)dx=d(uT)dx⋅v+d(vT)dx⋅u(1*)\frac{\text{d}(\textbf{u}^T\textbf{v})}{\text{d}\textbf{x}}=\frac{\text{d}(\textbf{u}^T)}{\text{d}\textbf{x}}\cdot \textbf{v} + \frac{\text{d}(\textbf{v}^T)}{\text{d}\textbf{x}}\cdot \textbf{u}\tag{1*}dxd(uTv)=dxd(uT)⋅v+dxd(vT)⋅u(1*)
d(xTx)dx=d(xT)dx⋅x+d(xT)dx⋅x=2x(2*)\frac{\text{d}(\textbf{x}^T\textbf{x})}{\text{d}\textbf{x}}=\frac{\text{d}(\textbf{x}^T)}{\text{d}\textbf{x}}\cdot \textbf{x} + \frac{\text{d}(\textbf{x}^T)}{\text{d}\textbf{x}}\cdot \textbf{x}=2\textbf{x}\tag{2*}dxd(xTx)=dxd(xT)⋅x+dxd(xT)⋅x=2x(2*)
d(xTAx)dx=d(xT)dx⋅Ax+d(xTAT)dx⋅x=(A+AT)x(3*)\frac{\text{d}(\textbf{x}^T\textbf{A}\textbf{x})}{\text{d}\textbf{x}}=\frac{\text{d}(\textbf{x}^T)}{\text{d}\textbf{x}}\cdot \textbf{Ax} + \frac{\text{d}(\textbf{x}^T\textbf{A}^T)}{\text{d}\textbf{x}}\cdot \textbf{x}=(\textbf{A}+\textbf{A}^T)\textbf{x}\tag{3*}dxd(xTAx)=dxd(xT)⋅Ax+dxd(xTAT)⋅x=(A+AT)x(3*)
所以
∂(min∣∣Aβ−Y∣∣22)∂β=∂(βTATAβ−2βTATY+YTY)∂β=∂(βTATAβ−2βTATY)∂β=ATAβ+ATAβ−2ATY=2(ATAβ−ATY)(4)\begin{align*}\frac{\partial (\text{min}\vert\vert A\beta - Y\vert\vert_2^2)}{\partial \beta}&=\frac{\partial (\beta^TA^TA\beta - 2\beta^TA^TY + Y^TY)}{\partial \beta}\\&=\frac{\partial (\beta^TA^TA\beta - 2\beta^TA^TY)}{\partial \beta}\\&=A^TA\beta+A^TA\beta - 2A^TY\\&=2(A^TA\beta - A^T Y)\end{align*}\tag{4}∂β∂(min∣∣Aβ−Y∣∣22)=∂β∂(βTATAβ−2βTATY+YTY)=∂β∂(βTATAβ−2βTATY)=ATAβ+ATAβ−2ATY=2(ATAβ−ATY)(4)
令(4)为0,则有:
β=(ATA)−1ATY(5)\beta = (A^TA)^{-1}A^TY\tag{5}β=(ATA)−1ATY(5)
推导多元最小二乘法的计算方法相关推荐
- 椭圆 —— 从理论推导到最小二乘法拟合
前言 椭圆在高中数学里就开始提到,都是从标准方程开始如: x2a2+y2b2=1(a>b>0)\frac{x^2}{a^2}+\frac{y^2}{b^2}=1(a>b>0) ...
- 普通最小二乘法的两种推导方法
对于一个简单的线性回归模型,其形式为 其中是因变量,是自变量,表示出了之外其他可能影响的因素.我们要用这个模型来寻找在其他因素不变的情况下,对的影响大小,也就是说,在的情况下 这个线性公式表明不管的初 ...
- 机器学习算法:多元高斯模型
本文结构如下: 1:多元正态分布及可视化 2:双高斯独立分布可视化 3:从零开始推导多元高斯分布 4:多元正态分布性质 5:高斯判别分析模型 6:高斯判别分析模型Demo 1: 多元正态分布及可视化 ...
- 统计学习方法——最小二乘法及其具体实现
1. 引言 最小二乘法作为线性拟合常用的一种方法,勒让德( A. M. Legendre)于1805年在其著作<计算慧星轨道的新方法>中提出的,被广泛应用于各种数据拟合的方法中.曾经在某软 ...
- java算多元回归方程_java多元线性回归算法
多元线性回归的计算方法摘要 在实际经济问题中,一个变量往往受到多个变量的影响.例... STLyy UQ 在多元线性回归分析中,回归平方和表示的是所有 k 个自变量对 y 的变差的总影响,它可以 按公 ...
- 16 最小二乘法 - 数据分析的瑞士军刀
事实上,在成百上千的各式各样的攻击方法中,取算术平均恐怕是最广为人知使用也最为广泛的方法,因为可能一个小学生都知道使用算术平均来计算自己每天平均花了多少零花钱而以此作为向爸妈讨要零花钱的依据.而我们大 ...
- 基于最小二乘法估计点云的曲面法向量
转自:https://blog.csdn.net/lming_08/article/details/21171491 之前对PCL库计算三维点云数据的曲面法向量有过介绍,点云的曲面法向量估计,PCL库 ...
- 【sklearn】线性回归、最小二乘法、岭回归、Lasso回归
文章目录 机器学习的sklearn库 一.回归分析 <1.1>线性回归 1.1.1.Python实现线性回归 <1.2>最小二乘法 1.2.1.MATLAB实现最小二乘法 1. ...
- 永磁同步电机模型推导(静止坐标系+旋转坐标系)
参考文献 电机传动系统控制-薛承基 交流电机动态分析-汤蕴缪 Sychronous Machines Theory and Performances – Charles Concordia 1. 静止 ...
- 最小二乘法的原理理解
在上文一文让你彻底搞懂最小二乘法(超详细推导)中我们提到过,发明最小二乘法的勒让德认为,让误差的平方和最小估计出来的模型是最接近真实情形的(误差=真实值-理论值).换句话说,勒让德认为最佳的拟合准则是 ...
最新文章
- 实用技能 | OpenCV算法程序导出 DLL与调用演示
- JS Array.reduce 对象属性累加
- eeglab教程系列(7)-数据叠加平均{1}(Data averaging)
- h2 可视化界面能添加 添加表_Excel只能做表格?那是你不会用!10分钟做出高大上可视化图...
- 的好处_女性做下蹲运动有什么好处 原来有这些好处
- android retrofit 2.0公共参数,Retrofit2.0 添加公共参数
- 小钳子图片_家居维修小帮手:史丹利45件套工具套装组合评测
- pclint 与vs2010结合识别预处理器定义
- 500 OOPS: cannot change directory:/home/xxx”
- android获取网络视频缩略图,Android 获取视频(本地和网络)缩略图的解决方案
- 静态static与方法重载
- 有了这两本书,学习领域驱动设计会很容易
- Java 用两个队列实现一个栈
- 【免费】各种hadoop版本对应的hadoop.dll和winutils.exe
- Aptana Studio3的安装问题
- 雅思口语考官常问的100个话题整理-自己整理
- php mysql scalar_symfony和doctrine及数据库操作 | 学步园
- html书写表单laber,HTML基础
- 一个优秀的团队,就该这样定目标
- 【转】值得推荐的android开发框架简介