文章目录
- 什么是普通最小二乘法
- 如何推导OLS
- 正规方程
- 梯度下降法
什么是普通最小二乘法
普通最小二乘法(Ordinary Least Squares,OLS),是一种线性最小二乘法,用于估计线性回归模型中的未知参数。
通俗解释:
最小,即最小化;
二乘,即真实的观测的因变量的值与预测的因变量的值的差的平方和,
直观上来看,就是要使得 「集合中每个数据点和回归曲面上对应预测的点的距离的平方的和」 达到最小,这样模型对数据才拟合得最好。
如下图所示,其中 为数据点,要最小化的就是 「红色线段的长度的平方的和」
如何推导OLS
一般标记:
线性回归的一般形式:
令 ,,需要极小化的代价函数是:
损失函数、代价函数和目标函数的区别
正规方程
推导过程:
其中:
将向量表达形式转为矩阵表达形式,则有
其中为行列的矩阵(为样本个数,为特征个数),为行1列的矩阵,为行1列的矩阵,对进行如下变换
接下来对偏导,需要用到以下几个矩阵的求导法则:
所以有:
令,
则有
梯度下降法
梯度下降法的具体知识点请看这里
1、 批量梯度下降
一般形式:
当n>=1时,
矩阵形式:
其中为步长。
2、随机梯度下降
3、 小批量梯度下降