机器学习系列——线性回归（一）最小二乘估计

1、公式法推导

• 已知数据集 (X,Y)，X、Y 均为列向量，列内第 i 行代表 X、Y 的一个样本 x_i、y_i
• 假设 X 和 Y 满足线性映射：Y=W^TX
• 则预测值与真实值之间的误差（距离）为

• • PS：因为 Y^TXw 是一个实数，因此 Y^TXw =w^TX^TY

• 则权重矩阵 w 的最小二乘估计值为：

2、几何法推导

• 假设
  • X,Y 是高维向量（维度大于2）
  • 预测空间为二维空间，即预测函数将高维向量 X 映射到二维空间如下图，为真实标签向量，为预测标签向量， 和 是二维预测空间的坐标轴，  为垂直于映射空间且与高维标签向量相交的法向量（由图可知  ）

• 如上图，法向量
• 因为与 X 各个坐标轴均垂直，所以有：

• 由上推导可知，最小二乘法的几何意义在于，通过使（“标签向量“ 与 ”预测空间坐标轴向量“之间的总距离）最小化，得出一个参数为 w 的映射函数，将特征为 X 的目标向量 Y 映射为预测空间的预测向量

3、概率角度推导

• 已知数据集(X,Y)
• 假设：
  • 映射函数为 f(w)=w^Tx
  • 真实标签与预测值之间的关系为：y=f(w)+ε=w^Tx+ε
  • 其中 ε~N(0,σ²)
• 由上述假设可知：
  • 
  • 即 
• 使用极大似然估计(MLE)计算 w 的估计值

• 上述求得的  ，就是最开始使用的最小二乘法公式

机器学习系列——线性回归（一）最小二乘估计

原文：https://www.cnblogs.com/snailt/p/12631640.html