临近毕业，找工作压力好大啊！至今未有所斩获！开头先自己祝自己能够找一份好工作。。
在学习线性回归的时候，总是看到 cost function
式（1）
为何采用最小二乘是最好？为何不采用别的cost function。
在学习了Andrew Ng的机器学习后，在此进行一番推导，如果有错，请各位大神指正。
我们假设正确的结果 y和我们的预测的输出函数有如下关系
式（2）
这里 θTx(i) 为我们的预测函数 h(x). ε(i) 为预测函数和正确结果之间的误差。
因为每个样本都是独立的，因此 ε(i)之间也是相对独立的，而且等同分布。因此我们假设 ε(i) 服从期望为0（因为我们希望线能完美经过每个点，误差为0，所以ε的数学期望为0），方差为σ2高斯分布（正态分布）。记为 ε(i)∼N(0, σ2). 跟据高斯分布的概率密度函数，可得
式（3）
根据式（2），在给定 x(i)且参数为 θ的情况下，y(i) 满足数学期望为 θTx(i)，方差为 σ2的搞高斯分布，记为（y(i)|x(i);θ）∼ N(θTx(i), σ2). 这里需要注意的是 （y(i)|x(i) ; θ）满足高斯分布而非（y(i)|x(i) ，θ）满足高斯分布。这里的 θ并不是一个随机变量，而是一个给定的参数 θ。只不过这个参数 θ是需要我们进行估计的。由此，式（3)可以改写为以下公式
式（4）
因为在我们的样本中，y(i) 已经给定了，我们需要找到一个参数 θ，使得我们最右可能去得到 y(i)的分布。根据式（4），我们想要估算其中的未知参数 θ。由此我们可以想到一个非常常用的参数估计方法--最大似然估计。我们写出似然方程
式（5）
这里我的理解是这样，可能有所偏差，如有问题，希望有大神指正。因为我们要使得到同一个 θ使所有样本按照给定分布的可能性最大，所以我们对每一个式（4）相乘。得到以上似然方程。接下来就是数学推导。
J(θ) 即为此线性回归的cost function。由此我们可以非常自然地推导出为什么线性回归中的cost function是使用最小二乘法。
网友评论