機器學習經典演算法之 最小二乘法

一.背景

通過這段描述可以看出來，最小二乘法也是一種優化方法，求得目標函式的最優值。並且也可以用於曲線擬合，來解決回歸問題。難怪《統計學習方法》中提到，回歸學習最常用的損失函式是平方損失函式，在此情況下，回歸問題可以著名的最小二乘法來解決。看來最小二乘法果然是機器學習領域做有名和有效的演算法之一。

二. 最小二乘法

我們以最簡單的一元線性模型來解釋最小二乘法。什麼是一元線性模型呢？ 監督學習中，如果**的變數是離散的，我們稱其為分類（如決策樹，支援向量機等），如果**的變數是連續的，我們稱其為回歸。回歸分析中，如果只包括乙個自變數和乙個因變數，且二者的關係可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。如果回歸分析中包括兩個或兩個以上的自變數，且因變數和自變數之間是線性關係，則稱為多元線性回歸分析。對於二維空間線性是一條直線；對於三維空間線性是乙個平面，對於多維空間線性是乙個超平面...

對於一元線性回歸模型, 假設從總體中獲取了n組觀察值（x1，y1），（x2，y2）， …，（xn，yn）。對於平面中的這n個點，可以使用無數條曲線來擬合。要求樣本回歸函式盡可能好地擬合這組值。綜合起來看，這條直線處於樣本資料的中心位置最合理。 選擇最佳擬合曲線的標準可以確定為：使總的擬合誤差（即總殘差）達到最小。有以下三個標準可以選擇：

（1）用「殘差和最小」確定直線位置是乙個途徑。但很快發現計算「殘差和」存在相互抵消的問題。

（2）用「殘差絕對值和最小」確定直線位置也是乙個途徑。但絕對值的計算比較麻煩。

（3）最小二乘法的原則是以「殘差平方和最小」確定直線位置。用最小二乘法除了計算比較方便外，得到的估計量還具有優良特性。這種方法對異常值非常敏感。

最常用的是普通最小二乘法（ ordinary  least square，ols）：所選擇的回歸模型應該使所有觀察值的殘差平方和達到最小。（q為殘差平方和）- 即採用平方損失函式。

樣本回歸模型：

平方損失函式：

則通過q最小確定這條直線，即確定

根據數學知識我們知道，函式的極值點為偏導為0的點。

解得：

這就是最小二乘法的解法，就是求得平方損失函式的極值點。

三. c++實現**

1/*2

最小二乘法c++實現
3引數1為輸入檔案
4輸入 ： x
5輸出： **的y 6*/
7 #include8 #include9 #include10
using
namespace
std;
1112
class
leastsquare
25 a = (t3*x.size() - t2*t4) / (t1*x.size() - t2*t2); //
求得β1 
26 b = (t1*t4 - t2*t3) / (t1*x.size() - t2*t2); //
求得β227}
2829
double gety(const
double x) const
3033
34void print() const
3538
39};
4041
int main(int argc, char *argv)
4248
else
4967
}68 }

1.本質相同：兩種方法都是在給定已知資料（independent & dependent variables）的前提下對dependent variables算出出乙個一般性的估值函式。然後對給定新資料的dependent variables進行估算。

2.目標相同：都是在已知資料的框架內，使得估算值與實際值的總平方差盡量更小（事實上未必一定要使用平方），估算值與實際值的總平方差的公式為：

其中為第i組資料的independent variable，為第i組資料的dependent variable，為係數向量。 不同

1.實現方法和結果不同：最小二乘法是直接對求導找出全域性最小，是非迭代法。而梯度下降法是一種迭代法，先給定乙個，然後向下降最快的方向調整，在若干次迭代之後找到區域性最小。梯度下降法的缺點是到最小點的時候收斂速度變慢，並且對初始點的選擇極為敏感，其改進大多是在這兩方面下功夫。

參考： 

9

機器學習經典演算法之 最小二乘法

一.背景 通過這段描述可以看出來，最小二乘法也是一種優化方法，求得目標函式的最優值。並且也可以用於曲線擬合，來解決回歸問題。難怪 統計學習方法 中提到，回歸學習最常用的損失函式是平方損失函式，在此情況下，回歸問題可以著名的最小二乘法來解決。看來最小二乘法果然是機器學習領域做有名和有效的演算法之一。二...

機器學習系列之最小二乘法

最小二乘法，又稱最小平方法，是機器學習中基礎的演算法之一，它是一種優化演算法，通過最小化誤差的平方來尋找資料的最佳函式匹配。利用最小二乘法可以簡便地求得未知的資料，並使得這些求得的資料與實際資料之間誤差的平方和為最小。在機器學習中，還可以使用最小二乘法來進行曲線擬合。上圖介紹的上海市長寧區部分房價的...

線性回歸之最小二乘法

線性回歸是很常見的一種回歸，線性回歸可以用來 或者分類，主要解決線性問題。線性回歸過程主要解決的就是如何通過樣本來獲取最佳的擬合線。最常用的方法便是最小二乘法，它是一種數學優化技術，它通過最小化誤差的平方和尋找資料的最佳函式匹配。假設擬合直線為y ax b 對任意樣本點 x i,yi 誤差為e yi...