生物_医药_科研 / 待分类 / 高中生都能看懂的最小二乘法原理

分享

   

高中生都能看懂的最小二乘法原理

2019-01-24  生物_医药...
在简单线性回归等曲线拟合中提到的最多的最小二乘法,那么下面引用《正态分布的前世今生》里的内容稍微简单阐述下。

一、最小二乘法的历史

1801年,意大利天文学家朱赛普·皮亚齐发现了第一颗小行星谷神星。经过40天的跟踪观测后,由于谷神星运行至太阳背后,使得皮亚齐失去了谷神星的位置。随后全世界的科学家利用皮亚齐的观测数据开始寻找谷神星,但是根据大多数人计算的结果来寻找谷神星都没有结果。时年24岁的高斯也计算了谷神星的轨道。奥地利天文学家海因里希·奥尔伯斯根据高斯计算出来的轨道重新发现了谷神星。

高斯使用的最小二乘法的方法发表于1809年他的著作《天体运动论》中。

法国科学家勒让德于1806年独立发明“最小二乘法”,但因不为世人所知而默默无闻。

勒让德曾与高斯为谁最早创立最小二乘法原理发生争执。

1829年,高斯提供了最小二乘法的优化效果强于其他方法的证明,因此被称为高斯-马尔可夫定理。(来自于wikipedia)

二、原理

我们口头中经常说:一般来说,平均来说。如平均来说,不吸烟的健康优于吸烟者,之所以要加“平均”二字,是因为凡事皆有例外,总存在某个特别的人他吸烟但由于经常锻炼所以他的健康状况可能会优于他身边不吸烟的朋友。而最小二乘法的一个最简单的例子便是算术平均。

最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。用函数表示为:

使误差「所谓误差,当然是观察值与实际真实值的差量」平方和达到最小以寻求估计值的方法,就叫做最小二乘法,用最小二乘法得到的估计,叫做最小二乘估计。当然,取平方和作为目标函数只是众多可取的方法之一。

最小二乘法的一般形式可表示为:

有效的最小二乘法是勒让德在 1805 年发表的,基本思想就是认为测量中有误差,所以所有方程的累积误差为

我们求解出导致累积误差最小的参数即可:


勒让德在论文中对最小二乘法的优良性做了几点说明:

  • 最小二乘使得误差平方和最小,并在各个方程的误差之间建立了一种平衡,从而防止某一个极端误差取得支配地位

  • 计算中只要求偏导后求解线性方程组,计算过程明确便捷

  • 最小二乘可以导出算术平均值作为估计值

对于最后一点,从统计学的角度来看是很重要的一个性质。推理如下:假设真值为 θ, x1,?,xn为n次测量值, 每次测量的误差为ei=xi?θ,按最小二乘法,误差累积为

求解 使达到最小,正好是算术平均

由于算术平均是一个历经考验的方法,而以上的推理说明,算术平均是最小二乘的一个特例,所以从另一个角度说明了最小二乘方法的优良性,使我们对最小二乘法更加有信心。

三、几何解释

从一个简单的例子开始,已知平面上有三个点(1,2),(0,2),(2,3),我们想用一条直线去拟合它,像高中时一样,设这条直线的方程为Y=kx+b(一次函数),我们希望这条直线可以同时通过这三个点,也就是这条直线的参数要满足:


学过初中解方程组的同学知道,这个方程组是无解的。

怎么解一个无解的方程组呢?

为了解释的方便,我们用X1表示k,用X2表示b,则:


写出矩阵的形式:


从列的角度看

一旦写出列的形式,我们很自然的想到把向量a1a2和b画到图上。

要找到解,就要找到a1和a2的一个线性组合,使得组合的向量刚好等于b,可惜任何的a1和a2的线性组合,只能出现在a1和a2所在的平面s上(高中必修二第二章平面基本性质二的推论二两条相交直线确定一个平面,a1和a2可以认为是两条相交直线),但是向量b不在平面s上,不可能找到解,怎么办呢?


找不到完美的解,就只能找到一个最接近的解,所以我们想在平面S上找到一个最接近向量b的向量来代替向量b,记这个替代品位向量p,我们知道最接近的肯定是它的投影,即过直线b的终点做平面S的垂线,垂足就是替代向量p的终点,p和b之间的误差e=b-p。


原来的方程是无解的,我们用p代替b后,p在a1和a2的所在的平面上,所以现在方程就一定有解了。

下面我们说一说这个解释怎么求出来的,我们知道:


要求的解就是式子中间带帽子的X(是真实值的近似解或者说最接近的那个值),要使p和b之间的差距(误差e)最小,那么e一定是垂直于平面S的,也就是要垂直于a1和a2的,想想我们高中是怎么表示两个向量垂直的?只要他们的点乘等于0就行了。

也就是:


用矩阵表示就是:


即:


把上式代入值前面的e的方程得到最终的结果:


化简一下,反解出x,

最终最佳的近似解就是:


所以以后再说最小二乘就这个东东了!



    本站是提供个人知识管理的网络存储空间,所有内容均由用户发布,不代表本站观点。请注意甄别内容中的联系方式、诱导购买等信息,谨防诈骗。如发现有害或侵权内容,请点击一键举报。

    0条评论

    发表

    请遵守用户 评论公约

    类似文章 更多
    喜欢该文的人也喜欢 更多

    ×
    ×

    ¥.00

    微信或支付宝扫码支付:

    开通即同意《个图VIP服务协议》

    全部>>