|
最小二乘问题，是最基本、最实用、最应用广泛的的数学模型，在机器学习中更是得到了极大的应用（公式1），比如说我们的PCA，最经典的解释就是：最小化样本与其重构样本之间的误差和。采用的公式我不用写出来大家都会明白，二者先取个差值，在来个平方，最后搞一个和号上去，这就是最小二乘问题的思想。该数学模型的目的十分直观，就是想要计算出一组参数，这组参数可以让计算出来的数据与观测数据最为接近。 进一步，最小二乘又可以分为线性和非线性两种，分别对应fi(x)的线性形式与非线性形式，线性最小二乘很好求解，可以将公式（1）变换为矩阵方程（公式2），最后直接求解矩阵方程即可，不需要迭代，这种解被称为“解析解”。非线性最小二乘问题则不然，它要复杂得多，没有办法变换为矩阵方程形式，以至于它必须将问题化简为每一步均为可以直接求解的子问题，整个求解过程是迭代的。
线性最小二乘问题与非线性最小二乘的关系，就是非线性最小二乘问题的求解过程，求解过程一讲完，关系自然也就明了！本来想写一篇很详细的博客，介绍非线性最小二乘问题的解法，一直打算把求解非线性最小二乘问题的每一步数学公式都进行解释，但是我发现，在CSDN中，大家往往对数学公式不大感冒，喜欢的往往就是通俗简单的文字说明，加上实用的代码。所以，我适应环境，下面就说说求解过程。
------------------------------------------------------------------------------------------------------------------------------------------------------------ 1. 对原问题中的每一个函数fi(x)在x0处进行一阶泰勒展开，因为一阶泰勒展开属于线性函数（公式3），于是通过这种手段，就可以将非线性最小二乘问题简化为线性最小二乘问题来求解。
2. 对得到的线性最小二乘问题，进行直接求解。这里面涉及到两个矩阵，一个是雅克比矩阵（公式4），一个是赫森矩阵（公式5）。
3. 得到子问题的解析解xk+1之后（公式2），xk+1与xk之间便自然地建立了等式关系（公式6）。
4. 更新参数xk（k=k+1， k=1....n），回到步骤1，直到满足收敛条件，得到最优解x* -----------------------------------------------------------------------------------------------------------------------------------------------------------
说完了，非线性最小二乘问题的解决思路就是这样的，整个过程就是复杂问题简单化，线性最小二乘简单吧，那就想办法利用简单的来解决复杂的。一阶泰勒展开刚好能起到“桥梁”一样的角色，如此看来，大牛们还是很聪明的。 下面说说几个注意事项。 第一：步骤1中，一定要一阶泰勒展开，不能采用二阶以上，因为只有一阶泰勒展开才是线性函数，才能转换为线性最小二乘问题来直接求解。 第二：步骤2中，雅克比矩阵和赫森矩阵都是属于子问题的，不是原问题的。 第三：步骤3中，是为了得到新求解的参数xk+1与之前参数xk之间的关系，形成一种“链式反应”，也就是迭代了。 第四：步骤4中，收敛条件一般有1.梯度近乎为0。2.变量变化很小。3.目标函数值变化很小等。 第五：许多优化算法，都可以用于解决非线性最小二乘问题。例如我之前讲过的LM算法与信赖域算法（参考2与参考3），对应的matlab代码已给出。 第六：函数fi(x)往往都是如下形式（公式7），千万别以为fi(x)就是hi(x)，我之前犯过类似的错误，调代码调的很惨。
希望我的理解对正在使用最小二乘模型的童鞋能够所有帮助。
参考1：最优化理论与算法 参考2：利用Levenberg_Marquardt算法求解无约束的非线性最小二乘问题~
(转载请注明：http://blog.csdn.NET/wsj998689aa/article/details/41558945, 作者：迷雾forest)
|
|
|
（2）
（3）
（4）
（6）
（7）
