最小二乘拟合

作者: leotmc | 来源:发表于2018-12-20 13:12 被阅读2次

最小二乘拟合
最小二乘拟合
最小二乘高斯拟合
数值分析：多元线性拟合和一元非线性拟合
Python曲线拟合
机器学习|最小二乘法的概率解释
数据_常用命令_Python
python线性回归
矩阵: QR分解 && 最小二乘问题求解
深入理解卡尔曼滤波

最小二乘的hypothesis为： $h_\theta(x^{(i)})=\theta^Tx^{(i)} =\theta_0x_0^{(i)}+\theta_1x_1^{(i)}+\theta_2x_2^{(i)}+...+\theta_nx_n^{(i)}$
其中 $x^{(i)}$ 表示第 $i$ 个样本， $x_{j}^{(i)}$ 表示 $x^{(i)}$ 的第 $j$ 个特征。
最小二乘的目标函数为：
$J_{(\theta)}=\frac{1}{2}\sum_{i=1}^{m}{(y^{(i)}-\theta^Tx^{(i)})}^2$
我们可以通过使 $\theta$ 沿着其梯度方向进行更新来最小化目标函数。
目标函数对 $\theta$ 的导数为：
$\nabla_{\theta}J=-\sum_{i=1}^{m}(y^{(i)}-\theta^{T}x^{(i)})\cdot{{x^{(i)}}^{T}} =\sum_{i=1}^{m}(\theta^Tx^{(i)}-y^{(i)})\cdot{{x^{(i)}}^{T}}$
注意：每一个 $x^{(i)}$ 都是一个包含多个维度的向量
对 $\theta$ 进行更新可得：
$\theta:=\theta-\alpha*\nabla\theta =\theta-\alpha*\sum_{i=1}^{m}(\theta^{T}x^{(i)}-y^{(i)})\cdot{{x^{i}}^{T}}$
注意：这里我们使用 $:=$ 表示赋值的意思，即在每一次迭代的时候，将新的计算得到的 $\theta$ 赋值给之前的 $\theta$ 。

最小二乘拟合的概率解释
在这里， $\hat{y}^{(i)}=\theta^Tx^{(i)}$ 来表示hypothesis的计算结果， $y^{(i)}$ 表示真实的样本的target value,假设
$\epsilon^{(i)}=\hat{y}^{(i)}-y^{(i)}\thicksim\mathcal N(0, \sigma^{2})$
即hypothesiss与真实样本之间的偏差服从标准正太分布：
$p(\epsilon^{(i)})=p(\hat{y}^{(i)}-y^{(i)}|x^{(i)};\theta)\thicksim\mathcal N(0,\sigma^{2})$
进一步推倒可得：
$p(\epsilon^{(i)}|x^{(i)};\theta) =\frac{1}{\sqrt{2\pi}\sigma}exp^{-\frac{(\epsilon^{(i)}-0)^2}{2{\sigma}^2}}$
因为样本的标签值 $y^{(i)}$ 是已知的，所以由上式可得：
$p(\hat{y}^{(i)}|x^{(i)}\theta) =\frac{1}{\sqrt{2\pi}\sigma}exp^{-\frac{(\hat{y}^{(i)}-y^{(i)})^{2}}{2\sigma^{2}}} =\frac{1}{\sqrt{2\pi}\sigma}exp^{-\frac{(\theta^Tx^{(i)}-y^{(i)})^{2}}{2\sigma^{2}}}$
$m$ 个样本的似然函数为：
$L(\theta)=\prod_{i=1}^{m}p(\hat{y}^{(i)}|x^{(i)};\theta) =\prod_{i=1}^{m}\frac{1}{\sqrt{2\pi}\sigma}exp^{-\frac{(\theta^Tx^{(i)}-y^{(i)})^{2}}{2\sigma^{2}}}$
对似然函数 $L(\theta)$ 取对数可得：
$\begin{equation} \begin{split} l(\theta)&=log(L(\theta))=log\prod_{i=1}^{m}p(\hat{y}^{(i)}|x^{(i)};\theta)\\ &=\sum_{i=1}^{m}log\biggl({p(\hat{y}^{(i)}|x^{(i)};\theta)}\biggr)\\ &=\frac{1}{\sqrt{2\pi}\sigma}\sum_{i=1}^{m}log(exp^{-\frac{(\theta^Tx^{(i)} -y^{(i)})^{2}}{2\sigma^{2}}})\\ &=-n\frac{1}{2}\sum_{i=1}^{m}(\theta^Tx^{(i)}-y^{(i)})^{2} \end{split} \end{equation}$
其中 $n=\frac{1}{\sqrt{2\pi}\sigma^{3} }$ ，最大化对数似然函数 $l(\theta)$ ，即：
$max\biggl(l(\theta)\biggr) =min\biggl(-l(\theta)\biggr) =min\biggl((\theta^Tx^{(i)}-y^{(i)})^{2}\biggr)$
即从假设hypothesis的值与样本真实值之间的偏差服从标准正太分布，并使用最大似然估计，我们同样可以得到均方误差的目标函数。

最小二乘拟合
最小二乘拟合假设有一组实验数据(xi，yi)，我们事先知道它们之间应该满足某函数关系： yi =...
最小二乘拟合
最小二乘的hypothesis为：其中表示第个样本，表示的第个特征。最小二乘的目标函数为：我们可以通过使沿着其梯度...
最小二乘高斯拟合
matlab_最小二乘法数据拟合_彭国民_新浪博客 matlab 曲线拟合小记 - 木lin木 - 博客园 [Ma...
数值分析：多元线性拟合和一元非线性拟合
前言最小二乘线性拟合是常规操作，本文直接跨过。由于多元线性拟合和一元非线性拟合关系密切，故本文将其二放在一起讨论...
Python曲线拟合
二项式曲线拟合最小二乘法拟合
机器学习|最小二乘法的概率解释
在拟合数据时，为什么选择最小二乘来作为误差函数呢？虽然不明白为什么，但是一直觉得很有道理的样子。最小二乘或平方差...
数据_常用命令_Python
打印计数器单变量最小二乘（OLS）回归拟合双对数坐标系下线性回归拟合画图（幂律函数）纵轴对数坐标下线性回归拟...
python线性回归
线性回归：通过已知数据拟合一个函数，用于预测未知数据。拟合标准OLS（最小二乘）。该方法在AI及统计领域有大量应用...
矩阵: QR分解 && 最小二乘问题求解
最小二乘问题分为线性最小二乘问题和非线性最小二乘问题;非线性最小二乘问题求解方法有高斯牛顿法，Levenberg-...
深入理解卡尔曼滤波
1. 最小二乘（LS）、加权最小二乘估计（WLS）、递推最小二乘（RLS）观测方程![](http://late...

最小二乘拟合

相关文章

最小二乘拟合

最小二乘拟合

最小二乘高斯拟合

数值分析：多元线性拟合和一元非线性拟合

Python曲线拟合

机器学习|最小二乘法的概率解释

数据_常用命令_Python

python线性回归

矩阵: QR分解 && 最小二乘问题求解

深入理解卡尔曼滤波

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

机器学习与数据挖掘

大数据，机器学习，人工智能

人工智能/模式识别/机器学习精华专题

机器学习和人工智能入门

机器学习