线性最小二乘是一种求解线性系统参数的方法,即参数估计的方法。它的特点有:
对于一个参数估计问题,我们往往不能直接获得想要的参数值,需要通过间接观测的方式去反向求解。
例如:
可以看到很多很多问题不是我们可以直接测量的,再例如,我们想知道一个相机它的焦距,畸变参数,我们难以直接拿仪器测量,我们总是建立我们想要求解的参数X与我们易于观测量Y之间的函数关系:
F ( X ) = Y F(X) = Y F(X)=Y
通过已知的Y和已知的函数关系f(x),反推出X的值。
当我们的已知这个函数关系是线性的时候,我们可以简化为:
A X = Y AX = Y AX=Y
其中A是参数X与观测Y之间的线性函数关系(线性运算(乘和加)可以由矩阵A表示)。
因此,为了求解我们想要的参数,我们已知观测Y和线性关系A,就可以求解待求参数X啦。
当我们有了线性关系,在测量足够的情况下,我们就可以求解出参数X。
如:求解一个条直线的参数k和b:
A X = Y AX = Y AX=Y
[ y 0 y 1 ] = [ x 0 1 x 1 1 ] ∗ [ k b ] \begin{bmatrix} y_0 \\ y_1 \\ \end{bmatrix} = \begin{bmatrix}x_0 & 1 \\ x_1 & 1\\ \end{bmatrix} * \begin{bmatrix} k \\ b \\ \end{bmatrix} [y0y1]=[x0x111]∗[kb]
其中
X 对 应 [ k b ] X对应\begin{bmatrix} k \\ b \\ \end{bmatrix} X对应[kb]
A 对 应 [ x 0 1 x 1 1 ] A对应\begin{bmatrix}x_0 & 1 \\ x_1 & 1\\ \end{bmatrix} A对应[x0x111]
Y 对 应 [ y 0 y 1 ] Y对应\begin{bmatrix} y_0 \\ y_1 \\ \end{bmatrix} Y对应[y0y1]
当然我们知道只需要两组x和y就可以通过矩阵求逆求出k和b了,X = A-1*Y。但这未免也太简陋了,如果我们有3组,4组甚至10组x,y,我们该怎么求解k,b呢?如果我们使用给用更多组的x,y我们求得的k和b是不是更加准确。
我们将“除了能唯一确定某个几何或物理模型的t个必要观测之外的其余观测值”称为多余观测。针对上述问题,多余两组的x,y都是多余观测。
当存在多余观测时,我们就不能像之前那样对矩阵A求逆了,那怎么求更准确的k和b呢?
这时候我们就可以借助最小二乘来求解存在多余观测的问题。
在我们利用最小二乘来求解存在多余观测的问题之前,我们先介绍残差,它能更好的帮助我们理解最小二乘的原理。
接着上面的例子将,当我存在多组x,y时,它们并不会乖乖的向我们设想那样,总在一条直线上,它们可能是这种形式:
即近似的成一条直线,为啥出现近似而非一定呢,这个时候我们就需要介绍更一般(泛)的概念了,我们必须假设我们的到的观测是一个随机变量,例如,(你每次拿勺子喝汤,你能够保证每次摇到的汤重量一致吗,你只能把这个过程建模成一个随机过程,即每一次摇到的汤或多或少,它们呈现某种分布,例如高斯分布),对于上述问题也是一样,我们得到的x和y,可能并不一定服从某个k和b,而是大致服从某个k和b。也就是上述图形。由于随机误差的存在,我们可能永远不能得到准确的k,b。但我们可以基于已有的所有数据(包括多余观测)算出一个最优的,最能符合观测的k,b。这才是我们想要求得的
为了求得所谓的最优,我们先介绍残差的概念。
残差的公式可简写为:
V = A X − Y V = AX - Y V=AX−Y
在理想情况下:
0 = A X − Y 0 = AX - Y 0=AX−Y
但在实际情况中,AX - Y并不等于0,我们定义另一个量V,来代表我们AX估计出的 Y ^ \hat Y Y^值与观测值Y之前的差。我们将它画在图上:
不能发现,观测量到其拟合直线之间的y值之差的绝对值,就是残差V的几何意义。
在我们了解了残差V的几何意义之后,我们不难想象,如果令V最小,就可以确定一条较为准确的直线,如果令 ∣ ∣ V ∣ ∣ 2 ||V||_2 ∣∣V∣∣2即 V 2 V^2 V2,最小,我们也可以确定一条较为准确的直线。我们将令 V 2 V^2 V2最小作为求解准则的方法,称为最小二乘法(也很好理解,残差的二乘(平方)最小的方法–最小二乘法)。
我们这里介绍的最小二乘,可能看起来比较粗暴,有人会问为啥就不能使用|V|最小作为最优原则呢?
其实最小二乘是符合统计意义上的“最优”的,当我们假设观测量Y(随机变量)是正态分布时,为满足其成正太分布的条件,那它必须满足 V T V V^TV VTV最小。(即最小二乘估计与极大似然估计等价,详情见:https://blog.csdn.net/u013344884/article/details/79483705)
这时你可能有些模糊了,为了绕开晦涩的概念,你可以简单理解:
我们理论假设是观测值的残差是正太分布的。
为了让残差呈现正太分布,我们只需让 V T V V^TV VTV最小即可确保残差是呈现正太分布的。
因此,我们可以求使得 V T V V^TV VTV最小的参数,为符合最小二乘的最优参数。
线性方程组 A x = b Ax=b Ax=b的最小二乘问题一定有解,且求解最小二乘问题与求解线性方程组的法方程组等价。
推导:
V = A X − Y V = AX - Y V=AX−Y
a r g m i n V T V argmin V^TV argminVTV
则
∂ V T V ∂ X = 0 \frac{\partial^{}V^TV}{\partial X} =0 ∂X∂VTV=0
( A A A为超定矩阵, A T A A^TA ATA是方阵)
由二次凸优化的理论可知,当 A T A A^TA ATA正定 ( A T A A^TA ATA(可逆),正定一定可逆,可逆不一定正定)时, V T V V^TV VTV与参数X组成的函数是凸函数,存在全局最小值,其最小值在 V T V V^TV VTV对X求偏导等于0处。(即 V T V V^TV VTV组成二次型(y= X T A X X^TAX XTAX+2βX+c),如果A正定,那么y一定是凸函数,见https://wenku.baidu.com/view/fde33592a76e58fafab003a2.html)
二次凸函数:
对于线性最小二乘,只要 A T A A^TA ATA没有秩亏现象,(没有线性相关的情况)那线性最小二乘一定满足二次凸的性质(即其最小值在 V T V V^TV VTV对X求偏导等于0处)
∂ V T V ∂ X = 2 V T A = 2 ( A X − Y ) T A = 0 \frac{\partial^{}V^TV}{\partial X} =2V^TA=2(AX-Y)^TA=0 ∂X∂VTV=2VTA=2(AX−Y)TA=0
则:
A T ( A X − Y ) = 0 A^T(AX-Y)=0 AT(AX−Y)=0
A T A X − A T Y = 0 A^TAX-A^TY=0 ATAX−ATY=0
X = ( A T A ) − A T Y X = (A^TA)^-A^TY X=(ATA)−ATY
当 A T A A^TA ATA正定 1 ( A T A A^TA ATA(可逆))时,X的最小二乘估计值就是 ( A T A ) − A T Y (A^TA)^-A^TY (ATA)−ATY
这样我们就得到了最小二乘的解
用法方程组来求解最小二乘法可能会引出好多问题,我们提倡用QR分解来求解。
参考:https://blog.csdn.net/LCCFlccf/article/details/84875534
https://www.cnblogs.com/caimagic/p/12202884.html
将求解 X = ( A T A ) − A T Y X = (A^TA)^-A^TY X=(ATA)−ATY的问题转化成求解矩阵A的QR分解矩阵的问题。
最终 X = R − Q T Y X = R^-Q^TY X=R−QTY
既然线性最小二乘问题是一个二次凸问题,那它一定是凸函数,这时候,梯度下降法就完全适合,通过迭代xi+1 = ▽+xi的方式,也可以求得一个非常好的解。
线性回归也是通过迭代的方式一步步逼近参数最优值,它与梯度下降方式不同在于,梯度下降法的每一次迭代使用到了所有的观测,对所有观测一直迭代,直到最优,而线性回归根据现有观测,分批迭代,甚至是一个观测一个观测的迭代。
直接求逆的造成的损失是QR分解平方倍,见:
https://blog.csdn.net/weixin_46581517/article/details/105178304
只要A的列向量线性无关,则 A T A A^TA ATA正定则 A T A A^TA ATA可逆,见https://zhuanlan.zhihu.com/p/84223081 ︎
文章浏览阅读2w次,点赞7次,收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加 外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案,在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建:添加Visual C++ , Win32 项目这......_c#调用lib
文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体,挺好看的。注重颜值的网站都会使用,例如知乎:font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang
文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--action,当提交表单时,向何处发送表单中的数据,地址可以是相对地址也可以是绝对地址--><!--method将表单中的数据传送给服务器处理,get方式直接显示在url地址中,数据可以被缓存,且长度有限制;而post方式数据隐藏传输,_html表单的处理程序有那些
文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证(即Google Authenticator服务)后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器
文章浏览阅读4.3k次,点赞5次,收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距
文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节,实现了多层数据的堆叠,为用户 提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制(CoW)策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的,不建议用于生成环境。_docker 保存容器
文章浏览阅读834次,点赞27次,收藏13次。网络拓扑结构是指计算机网络中各组件(如计算机、服务器、打印机、路由器、交换机等设备)及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式,也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn
文章浏览阅读1.8k次,点赞5次,收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时,通常的做法是:new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的,而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠,也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑,需要做一些额外的特殊处理,笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数,一劳永逸,避免每次ne_date.prototype 将所有 ios
文章浏览阅读5.3k次。方法一:用PLSQL Developer工具。 1 在PLSQL Developer的sql window里输入select * from test for update; 2 按F8执行 3 打开锁, 再按一下加号. 鼠标点到第一列的列头,使全列成选中状态,然后粘贴,最后commit提交即可。(前提..._excel导入pl/sql
文章浏览阅读83次。Git常用命令速查手册1、初始化仓库git init2、将文件添加到仓库git add 文件名 # 将工作区的某个文件添加到暂存区 git add -u # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,不处理untracked的文件git add -A # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,包括untracked的文件...
文章浏览阅读202次。分享119个ASP.NET源码总有一个是你想要的_千博二手车源码v2023 build 1120
文章浏览阅读1.8k次。版权声明:转载请注明出处 http://blog.csdn.net/irean_lau。目录(?)[+]1、缺省构造函数。2、缺省拷贝构造函数。3、 缺省析构函数。4、缺省赋值运算符。5、缺省取址运算符。6、 缺省取址运算符 const。[cpp] view plain copy_空类默认产生哪些类成员函数