一种通过最小二乘法求转变点的方法

发布于 2024-11-01 12:47:44 字数 1312 浏览 10 评论 0

假设存在 \(k\) 个样本点 \(X_1, X_2, \ldots, X_k\),定义向量 \(X_i = (xi1, xi2, \ldots, xin)^T\),爲方便计算在 \(X_i\) 前插入常量 1。则需要求 \(W = (w_0, w_1, w_2, \ldots, w_n)\) 使 \(\hat{Y} = XW\)。

定义均方误差 \(E = \dfrac{1}{n}\sum(y_i-\hat{y}_i)^2 = \dfrac{1}{n}||Y-\hat{Y}||_2^2\),则可转变爲寻找 \(W\) 使得 \(E\) 最小,即寻找\(W = \mathrm{argmin}\dfrac{1}{n}||Y-XW||_2^2\)。

对于 \begin{equation} E(W) = \dfrac{1}{n} \end{equation}

则可推导 \begin{equation} \begin{aligned} E(W+\Delta W) - E(W) &= \dfrac{1}{n}||Y-X(W+\Delta W)||_2^2-\dfrac{1}{n}||Y-XW||_2^2\\ &= \dfrac1n||Y-XW||_2^2-\dfrac2n(Y-XW)(X\Delta W)+\dfrac1n||X\Delta W||_2^2-\dfrac1n||Y-XW||_2^2\\ &= \dfrac2n(XW-Y)X\Delta W+\mathcal{O}(||\Delta X||)\\ \end{aligned} \end{equation}

令 \begin{equation} L(W) = \dfrac2n(XW-Y)X\Delta W \end{equation}

爲 \(E(W)\) 在 \(W\) 处的导数,同时 \begin{equation} \begin{aligned} L(\Delta W) &= <\nabla E(W), \Delta W>\\ &= <\dfrac2nX^T(XW-Y), \Delta X>\\ &= \dfrac2n(XW-Y)X\Delta W\\ \end{aligned} \end{equation}

则 \begin{equation} \begin{aligned} \nabla E(W) = \dfrac2nX^T(XW-Y) &= 0\\ X^TXW &= X^TY\\ W &= (X^TX)^{-1}X^TY \end{aligned} \end{equation}

最终得 \begin{equation} E=\dfrac1n||Y-\hat{Y}||_2^2=\dfrac1n||X(X^TX)^{-1}X^TY-Y||_2^2 \end{equation}

如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。

扫码二维码加入Web技术交流群

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。
列表为空,暂无数据

关于作者

Smile简单爱

暂无简介

0 文章
0 评论
22 人气
更多

推荐作者

漫雪独思

文章 0 评论 0

垂暮老矣

文章 0 评论 0

鹊巢

文章 0 评论 0

萌酱

文章 0 评论 0

雨说

文章 0 评论 0

冰葑

文章 0 评论 0

    我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的 隐私政策 了解更多相关信息。 单击 接受 或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
    原文