多项式拟合与线性回归

https://blog.csdn.net/qq_31852975/article/details/72354578

多项式拟合与线性回归

多项式拟合

设M次多项式为 fM(x,w)=w0+w1+w2x2+...+wMxM=∑Mj=0wjxj

当损失函数为L(w)=12∑Ni=1(∑Mj=0wjxj−yi)

时，通过解L(w)最小的问题，可以拟合出该多项式。
这个问题在《统计学习方法》李航的第一章中介绍。 不过其中1.18带入后的结果不正确。
具体错误见勘误表http://www.hangli-hl.com/uploads/3/4/4/6/34465961/errata.pdf
具体推导过程http://blog.csdn.net/xiaolewennofollow/article/details/46757657

这里的多项表达式中，f是关于x的一个函数，式中只有一个变量x。

线性回归

线性回归假设特征与结果满足线性关系。这里为什么可以假设为线性关系？为什么可以假设数据是独立同分布的

• 线性关系是用来假定样本集X,Y之间的关系，有了这个关系才可以继续推导出模型的参数向量θT

• 监督学习假设X，Y满足联合概率分布P(X,Y)。训练数据与测试数据被看做是依联合概率分布独立同分布的。
• 统计学习假定数据存在一定的规律，进而对模型进行学习，但是对于系统具体的定义是未知的。

这里使用Andrew Ng讲义中的公式定义。
对于n个特征的特征向量

hθ(x)=θ0+θ1x1+θ2x2+...+θnxn=θT(x)

这里同样用平方损失函数

J(θ)=12∑i=1M(hθ(x(i))−y(i))2(假设有M个样本,上标i表示第i个样本)

J(θ)最小越小，拟合的直线就越接近样本。具体解释见Andrew Ng公开课。通过两种方式来求解θ。

梯度下降（ LMS algorithm）

而使得 J(θ)

下降最快的方向为 J(θ)对 θ

求偏导数的反方向。
这里为什么是反方向是梯度下降最小的方向？

• 因为梯度方向为函数增长最快的方向，所以J(θ)

• 的最小值则为减法。

对于每一个特征x，对J(θ)

求偏导。

∂∂θJ(θ)=(h(θ)(xj)−y)xj

那么对于所有的样本，通过如下的方式得到特征向量θ。

遍历n个样本 直至收敛

θj:=θj−a(y(i)j−h(θ)x(i)j)x(i)j(对每一个j)

这样做的消耗是多少，如何优化为随机梯度下降？

• θT

• 每下降一次都需要对所有的样本计算一次。
• 随机梯度下降（SGD）为每一次遍历只更新θT

中的一个值，从而减少了遍历的次数，否则每次都需要遍历更新θT

• 。除了减少时间复杂度，同时对于流式数据的处理可以实时更新模型。
• 随机梯度下降的另一种方式是，小批量的更新数据，并不是一次更新一个而是一次更新几个。即几个样本计算一次下降值，对θT

• 做下降。

最小二乘法（ Least squares revisited）

通过直接对J(θ)

求导可得最小二乘优化方法。

θ=(XTX)−1XTy⃗