1.1 什么是最小二乘法（least square method）

最小二乘法： 基于均方误差最小化来进行模型求解的方法称为 “最小二乘法（least square method）”。

1.2 线性模型（linear model）基本形式

线性模型（linear model）试图学得一个通过属性的线性组合来进行预测的函数，即
$$f(x)=w_1{x}_1+w_2{x}_2+...+w_d{x}_d+b\text{\hspace{1em}(1.1)}$$
一般用向量形式写成
$$f(x)={\mathbf{w}}^{\text{T}}\mathbf{x}+b\text{\hspace{1em}(1.2)}$$
其中 $\mathbf{w}=(w_1;w_2;...;w_d)$。$\mathbf{w}$ 和 $b$ 学得之后，模型就得以确定。

摘录自《机器学习》周志华 著 清华大学出版社

1.3 公式推导 1

假设第 $i$ 个数据 $x_i$ 对应的真实值为 $y_i$，模型的输出值为 $f(x_i)$，所以我们的目标是使得 $f(x_i)$ 尽可能等于真实值 $y_i$，假设训练后 $f(x_i)\approx y_i$ 时，对应的参数为 $w^{\ast }$、$b^{\ast }$，其中 $w^{\ast }$ 代表一组参数（$w_1,w_2,...,w_m$，其中 $m$ 是特征的数目）。

此时 求解目标 可以表示为：
$$\begin{gathered} (w^{\ast },b^{\ast })=\underset{(w,b)}{\mathrm{argmin}}\sum _{i=1}^m(f(x_i)-y_i{)}^2 \\ =\underset{(w,b)}{\mathrm{argmin}}\sum _{i=1}^m(y_i-(w{x}_i+b){)}^2\text{\hspace{1em}(1.3)} \end{gathered}$$

即求解当 $E_{(w,b)}={\sum }_{i=1}^m(f(x_i)-y_i{)}^2$ 取得最小值时参数 $w^{\ast }$ 与 $b^{\ast }$ 的值。

现在分别对这两参数求偏导，可得
$$\frac{{\partial }_{E_{(w,b)}}}{{\partial }_w}=2(w\sum _{i=1}^m{x}_i^2-\sum _{i=1}^m(y_i-b)x_i)\text{\hspace{1em}(1.4)}$$

$$\frac{{\partial }_{E_{(w,b)}}}{{\partial }_b}=2(mb-\sum _{i=1}^m(y_i-w{x}_i))\text{\hspace{1em}(1.5)}$$

当 公式 (1.4) 与 公式 (1.5) 等于 0，可得到 $w$ 和 $b$ 的最优解的闭式解（closed-form）。

先求解公式 (1.5) ，如下：

$$\begin{gathered} 2(mb-\sum _{i=1}^m(y_i-w{x}_i))=0 \\ ⟹mb=\sum _{i=1}^m(y_i-w{x}_i) \\ ⟹b=\frac{1}{m}\sum _{i=1}^m(y_i-w{x}_i)⟹b=\overline{y}-w\overline{x}\text{\hspace{1em}(1.6)} \end{gathered}$$

再来求解公式 (1.4)，需要代入刚刚求解得到的公式 (1.6)，

$$\begin{gathered} 2(w\sum _{i=1}^m{x}_i^2-\sum _{i=1}^m(y_i-b)x_i)=0 \\ ⟹w\sum _{i=1}^m{x}_i^2=\sum _{i=1}^m(y_i-b)x_i \\ ⟹w\sum _{i=1}^m{x}_i^2=\sum _{i=1}^m(y_i-(\overline{y}-w\overline{x}))x_i \\ ⟹w\sum _{i=1}^m{x}_i^2=\sum _{i=1}^m(y_i-\overline{y})x_i+w\overline{x}\sum _{i=1}^m{x}_i \\ ⟹w(\sum _{i=1}^m{x}_i^2-\overline{x}\sum _{i=1}^m{x}_i)=\sum _{i=1}^m(y_i-\overline{y})x_i \\ ⟹w=\frac{{\sum }_{i=1}^m(y_i-\overline{y})x_i}{{\sum }_{i=1}^m{x}_i^2-\overline{x}{\sum }_{i=1}^m{x}_i}\text{\hspace{1em}(1.7)} \end{gathered}$$

为了方便也可以变形为：
$$w=\frac{{\sum }_{i=1}^m{x}_i{y}_i-m\overline{x}\overline{y}}{{\sum }_{i=1}^m{x}_i^2-m{\overline{x}}^2}\text{\hspace{1em}(1.8)}$$

也可以变形为：
$$\begin{gathered} w=\frac{{\sum }_{i=1}^m(y_i-\overline{y})x_i}{{\sum }_{i=1}^m{x}_i^2-\overline{x}{\sum }_{i=1}^m{x}_i} \\ =\frac{{\sum }_{i=1}^m(y_i-\frac{1}{m}{\sum }_{i=1}^m{y}_i)x_i}{{\sum }_{i=1}^m{x}_i^2-\frac{1}{m}{\sum }_{i=1}^m{x}_i{\sum }_{i=1}^m{x}_i} \\ =\frac{{\sum }_{i=1}^m{y}_i(x_i-\frac{1}{m}{\sum }_{i=1}^n{x}_i)}{{\sum }_{i=1}^m{x}_i^2-\frac{1}{m}({\sum }_{i=1}^m{x}_i{)}^2} \\ =\frac{{\sum }_{i=1}^m{y}_i(x_i-\overline{x})}{{\sum }_{i=1}^m{x}_i^2-\frac{1}{m}({\sum }_{i=1}^m{x}_i{)}^2}\text{\hspace{1em}(1.9)} \end{gathered}$$

1.4 公式推导 2

当样本的特征更多时，上面的推导公式也应做相应的调整，以适应更一般的情况。

假设数据样本集 $D$，每个样本由 $d$ 个属性描述，此时学习目标转换为

$$f(x_i)=w^{\text{T}}{x}_i+b\text{\hspace{1em}(1.10)}$$

使得 $f(x_i)\approx y_i$。

接下来会基于矩阵运算来推导参数的表达式，为了方便，让常量 $b^{\ast }$ 凑如到 $w^{\ast }$ 中，即，原表达式转换为

$$f(x_i)=w_1{x}_1+w_2{x}_2+\cdots +w_m{x}_m+b\cdot 1$$
也就是说，对于原数据集，补充一列全部为 1 的特征，方便乘以孤孤单单无人作伴的 $b^{\ast }$，此时 $\mathbf{X}$ 可表示为：

$$\mathbf{X}=\left(\begin{array}{cccccc}{x}_{11}& x_{12}& x_{13}& \cdots & x_{1d}& 1\\ x_{21}& x_{22}& x_{23}& \cdots & x_{2d}& 1\\ ⋮& ⋮& ⋮& \ddots & ⋮& 1\\ x_{m1}& x_{m2}& x_{m3}& \cdots & x_{md}& 1\end{array}\right)=\left(\begin{array}{cc}{\mathbf{x}}_1^{\text{T}}& 1\\ {\mathbf{x}}_2^{\text{T}}& 1\\ ⋮& ⋮\\ {\mathbf{x}}_m^{\text{T}}& 1\end{array}\right)$$

为了方便，记 $\mathbf{y}=(y_1;y_2;\cdots ;y_m)$，接着同样引用最小二乘法，注意此时对矩阵运行不能单纯的平方了，而是转置后相乘。

$${\hat{\mathbf{w}}}^{\ast }=\underset{\hat{\mathbf{w}}}{\mathrm{argmin}}(\mathbf{y}-\mathbf{X}\hat{\mathbf{w}}{)}^{\text{T}}(\mathbf{y}-\mathbf{X}\hat{\mathbf{w}})\text{\hspace{1em}(1.11)}$$

令 $E_{\hat{\mathbf{w}}}=(\mathbf{y}-\mathbf{X}\hat{\mathbf{w}}{)}^{\text{T}}(\mathbf{y}-\mathbf{X}\hat{\mathbf{w}})$，对 $\hat{\mathbf{w}}$ 求导，得

$$\frac{{\partial }_{E_{\hat{\mathbf{w}}}}}{{\partial }_{\hat{\mathbf{w}}}}=2{\mathbf{X}}^{\text{T}}(\mathbf{X}\hat{\mathbf{w}}-\mathbf{y})\text{\hspace{1em}(1.12)}$$

类似地，这里不考虑数据不足、特征量不足、特征量过多的情况，只从数学角度推导，可以得知，当公式 1.12 等于 0 时，得到对应的 ${\hat{w}}^{\ast }$。

$$\begin{gathered} 2{\mathbf{X}}^{\text{T}}(\mathbf{X}\hat{\mathbf{w}}-\mathbf{y})=0 \\ ⟹{\mathbf{X}}^{\text{T}}\mathbf{X}\hat{\mathbf{w}}={\mathbf{X}}^{\text{T}}\mathbf{y} \\ ⟹{\hat{w}}^{\ast }=({\mathbf{X}}^{\text{T}}\mathbf{X}{)}^{-1}{\mathbf{X}}^{\text{T}}\mathbf{y}\text{\hspace{1em}(1.13)} \end{gathered}$$

从第二行到第三行的过程是在等式等号两边分别在左边乘以 $({\mathbf{X}}^{\text{T}}\mathbf{X}{)}^{-1}$ 而得到的。

其中 $({\mathbf{X}}^{\text{T}}\mathbf{X}{)}^{-1}$ 时矩阵 $({\mathbf{X}}^{\text{T}}\mathbf{X})$ 的逆矩阵。

1.5 本章总结

因为验证拟合效果是比较各个点的 预测值 与 真实值之间的差异，为了避免 差异抵消 情况的出现，也是为了求导的方便，对目标表达式平方以后再求最小值时的参数情况更加合理一些。这里的差异抵消是指，前一行预测值比真实值小，而后一行预测值比真实值大，如果简单把差异总和加起来的可能出现抵消的情况，不能反应整体的拟合结果。

此外，这个公式推导的过程应该是比较简单的，可以考虑自己多推导推导，就当做是打发时间好了。

Smileyan
2022.8.26 23:50

`