最小二乘拟合

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：
$p(\epsilon^{(i)})=p(\hat{y}^{(i)}-y^{(i)}|x^{(i)};\theta)\thicksim\mathcal N(0,\sigma^{2})$
进一步推导可得：
$p(\epsilon^{(i)}|x^{(i)};\theta) =\frac{1}{\sqrt{2 \pi} \sigma}exp^{-\frac{(\epsilon ^ {(i)} - 0) ^ 2} {2 \sigma ^ 2}}$
因为样本的标签值 $y^{(i)}$ 是已知的，所以由上式可得：
$p(\hat{y} ^ {(i)}|x ^ {(i)} \theta) =\frac{1}{\sqrt{2 \pi} \sigma}{exp^ {-\frac{(\hat{y} ^ {(i)} - y ^ {(i)}) ^ {2}}{2 \sigma ^ {2}}}} =\frac{1}{\sqrt{2 \pi} \sigma}{exp^ {-\frac{(\theta ^ T x ^ {(i)} - y ^ {(i)}) ^ {2}}{2 \sigma ^ {2}}}}$
$m$ 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。

references:
http://cs229.stanford.edu/notes/cs229-notes1.pdf

最后编辑于：2020.05.18 09:02:38

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 203,324评论 5赞 476
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 85,303评论 2赞 381
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 150,192评论 0赞 337
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 54,555评论 1赞 273
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 63,569评论 5赞 365
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 48,566评论 1赞 281
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 37,927评论 3赞 395
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,583评论 0赞 257
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 40,827评论 1赞 297
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,590评论 2赞 320
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 37,669评论 1赞 329
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,365评论 4赞 318
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 38,941评论 3赞 307
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 29,928评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,159评论 1赞 259
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 42,880评论 2赞 349
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,399评论 2赞 342

最小二乘拟合

推荐阅读更多精彩内容