一文让你彻底搞懂最小二乘法（超详细推导）
要解决的问题
在工程应用中，我们经常会用一组观测数据去估计模型的参数，模型是我们根据先验知识定下的。比如我们有一组观测数据 ( x i , y i ) (x_i,y_i) (xi,yi)（一维），通过一些数据分析我们猜测 y y y和 x x x之间存在线性关系，那么我们的模型就可以定为： f ( x ) = k x + b f(x)=kx+b f(x)=kx+b
这个模型只有两个参数，所以理论上，我们只需要观测两组数据建立两个方程，即可解出两个未知数。类似的，假如模型有 n n n个参数，我们只需要观测 n n n组数据就可求出参数，换句话说，在这种情况下，模型的参数是唯一确定解。
但是在实际应用中，由于我们的观测会存在误差（偶然误差、系统误差等），所以我们总会做多余观测。比如在上述例子中，尽管只有两个参数，但是我们可能会观测
n
n
n组数据
(
x
1
,
y
1
)
.
.
,
(
x
n
,
y
n
)
(x_1, y_1)..,(x_n, y_n)
(x1,y1)..,(xn,yn)，这会导致我们无法找到一条直线经过所有的点，也就是说，方程无确定解。
于是这就是我们要解决的问题：虽然没有确定解，但是我们能不能求出近似解，使得模型能在各个观测点上达到“最佳“拟合。那么“最佳”的准则是什么？可以是所有观测点到直线的距离和最小，也可以是所有观测点到直线的误差（真实值-理论值）绝对值和最小，也可以是其它，如果是你面临这个问题你会怎么做？
早在19世纪，勒让德就认为让“误差的平方和最小”估计出来的模型是最接近真实情形的。
为什么就是误差平方而不是其它的，这个问题连欧拉、拉普拉斯都未能成功回答，后来是高斯建立了一套误差分析理论，从而证明了确实是使误差平方和最小的情况下系统是最优的。理论的证明也并不难，我写在了另外一篇博客 最小二乘法的原理理解，相信你了解后会对最小二乘法有更深刻的认识。
按照勒让德的最佳原则，于是就是求：
L
=
∑
i
=
1
n
(
y
i
−
f
(
x
)
)
2
L=\sum_{i=1}^{n}\left(y_i-f(x)\right)^{2}
L=i=1∑n(yi−f(x))2
这个目标函数取得最小值时的函数参数，这就是最小二乘法的思想，所谓“二乘”就是平方的意思。从这里我们可以看到，最小二乘法其实就是用来做函数拟合的一种思想。
至于怎么求出具体的参数那就是另外一个问题了，理论上可以用导数法、几何法，工程上可以用梯度下降法。下面以最常用的线性回归为例进行推导和理解。
线性回归
线性回归因为比较简单，可以直接推导出解析解，而且许多非线性的问题也可以转化为线性问题来解决，所以得到了广泛的应用。甚至许多人认为最小二乘法指的就是线性回归，其实并不是，最小二乘法就是一种思想，它可以拟合任意函数，线性回归只是其中一个比较简单而且也很常用的函数，所以讲最小二乘法基本都会以它为例。
下面我会先用矩阵法进行推导，然后再用几何法来帮助你理解最小二乘法的几何意义。
矩阵解法
线性回归定义为：
h
θ
(
x
1
,
x
2
,
…
x
n
−
1
)
=
θ
0
+
θ
1
x
1
+
…
+
θ
n
−
1
x
n
−
1
h_{\theta}\left(x_{1}, x_{2}, \ldots x_{n-1}\right)=\theta_{0}+\theta_{1} x_{1}+\ldots+\theta_{n-1} x_{n-1}
hθ(x1,x2,…xn−1)=θ0+θ1x1+…+θn−1xn−1（
θ
\theta
θ为参数）假设现在有
m
m
m个样本，每个样本有
n
−
1
n-1
n−1维特征，将所有样本点代入模型中得：
h
1
=
θ
0
+
θ
1
x
1
,
1
+
θ
2
x
1
,
2
+
…
+
θ
n
−
1
x
1
,
n
−
1
h
2
=
θ
0
+
θ
1
x
2
,
1
+
θ
2
x
2
,
2
+
…
+
θ
n
−
1
x
2
,
n
−
1
⋮
h
m
=
θ
0
+
θ
1
x
m
,
1
+
θ
2
x
m
,
2
+
…
+
θ
n
−
1
x
m
,
n
−
1
\begin{array}{l} h_{1}=\theta_{0}+\theta_{1} x_{1,1}+\theta_{2} x_{1,2}+\ldots+\theta_{n-1} x_{1,n-1} \\ h_{2}=\theta_{0}+\theta_{1} x_{2,1}+\theta_{2} x_{2,2}+\ldots+\theta_{n-1} x_{2,n-1}\\ \vdots \\ h_{m}=\theta_{0}+\theta_{1} x_{m, 1}+\theta_{2} x_{m, 2}+\ldots+\theta_{n-1} x_{m, n-1} \end{array}
h1=θ0+θ1x1,1+θ2x1,2+…+θn−1x1,n−1h2=θ0+θ1x2,1+θ2x2,2+…+θn−1x2,n−1⋮hm=θ0+θ1xm,1+θ2xm,2+…+θn−1xm,n−1为方便用矩阵表示，我们令
x
0
=
1
x_0=1
x0=1，于是上述方程可以用矩阵表示为：
h
=
X
θ
\mathbf{h}=\mathbf{X} \theta
h=Xθ其中，
h
\mathbf{h}
h为mx1的向量, 代表模型的理论值，
θ
\theta
θ 为nx1的向量，
X
X
X为mxn维的矩阵，
m
m
m代表样本的个数,
n
n
n代表样本的特征数，于是目标损失函数用矩阵表示为：
J
(
θ
)
=
∥
h
−
Y
∥
2
=
∥
X
θ
−
Y
∥
2
=
(
X
θ
−
Y
)
T
(
X
θ
−
Y
)
J(\theta)=\|\mathbf{h}-\mathbf{Y}\|^2 =\|\mathbf{X}\theta-\mathbf{Y}\|^2= (\mathbf{X} \theta-\mathbf{Y})^{T}(\mathbf{X} \theta-\mathbf{Y})
J(θ)=∥h−Y∥2=∥Xθ−Y∥2=(Xθ−Y)T(Xθ−Y)其中
Y
\mathbf{Y}
Y是样本的输出向量, 维度为mx1。
根据高数知识我们知道函数取得极值就是导数为0的地方，所以我们只需要对损失函数求导令其等于0就可以解出
θ
\theta
θ。矩阵求导属于矩阵微积分的内容，我也是现学的(…，这里先介绍两个用到的公式：
∂
x
T
a
∂
x
=
∂
a
T
x
∂
x
=
a
\frac{\partial x^{T} a}{\partial x}=\frac{\partial a^{T} x}{\partial x}=a
∂x∂xTa=∂x∂aTx=a
∂
x
T
A
x
∂
x
=
A
x
+
A
T
x
\frac{\partial x^{T} A x}{\partial x}=A x+A^{T} x
∂x∂xTAx=Ax+ATx如果矩阵A是对称的：
A
x
+
A
T
x
=
2
A
x
A x+A^{T} x=2 A x
Ax+ATx=2Ax对目标函数化简：
J
(
θ
)
=
θ
T
X
T
X
θ
−
θ
T
X
T
Y
−
Y
T
X
θ
+
Y
T
Y
J(\theta)=\theta^{T} X^{T} X \theta-\theta^{T} X^{T}Y-Y^{T} X\theta+Y^{T} Y
J(θ)=θTXTXθ−θTXTY−YTXθ+YTY求导令其等于0：
∂
∂
θ
J
(
θ
)
=
2
X
T
X
θ
−
2
X
T
Y
=
0
\frac{\partial}{\partial \theta} J(\theta)=2X^{T} X \theta-2X^TY=0
∂θ∂J(θ)=2XTXθ−2XTY=0解得
θ
=
(
X
T
X
)
−
1
X
T
Y
\theta=\left(X^{T}X\right)^{-1} X^{T}Y
θ=(XTX)−1XTY，经过推导我们得到了
θ
\theta
θ的解析解，现在只要给了数据，我们就可以带入解析解中直接算出
θ
\theta
θ。
几何意义
几何意义会直观的帮助你理解最小二乘法究竟在干什么。首先先来解释一下矩阵乘法的几何意义，对于一个方程组 A x Ax Ax，我们可以看做是 x x x对矩阵 A A A的列向量的线性组合，比如：
{
1
×
x
1
+
x
2
=
3
−
1
×
x
1
+
x
2
=
1
⇔
[
1
1
−
1
1
]
[
x
1
x
2
]
=
[
3
1
]
⇔
A
×
x
=
b
\left\{\begin{array}{l} 1 \times x_{1}+x_{2}=3 \\ -1 \times x_{1}+x_{2}=1 \end{array} \Leftrightarrow\left[\begin{array}{ll} 1 & 1 \\ -1 & 1 \end{array}\right]\left[\begin{array}{l} x_{1} \\ x_{2} \end{array}\right]=\left[\begin{array}{l} 3 \\ 1 \end{array}\right] \Leftrightarrow A \times x=b\right.
{1×x1+x2=3−1×x1+x2=1⇔[1−111][x1x2]=[31]⇔A×x=b
可以看作：
[
1
−
1
]
×
x
1
+
[
1
1
]
×
x
2
=
[
3
1
]
⇔
a
1
×
x
1
+
a
2
×
x
2
=
b
\left[\begin{array}{c} 1 \\ -1 \end{array}\right] \times x_{1}+\left[\begin{array}{c} 1 \\ 1 \end{array}\right] \times x_{2}=\left[\begin{array}{l} 3 \\ 1 \end{array}\right] \Leftrightarrow a_{1} \times x_{1}+a_{2} \times x_{2}=b
[1−1]×x1+[11]×x2=[31]⇔a1×x1+a2×x2=b
画在坐标轴上可以看到，向量
b
\mathbf{b}
b其实就是向量
a
1
\mathbf{a_1}
a1与
a
2
\mathbf{a_2}
a2的线性组合，因为他们都是在一个平面上，显然是有解的。
但是如文章开头所说，由于存在观测误差，我们往往会做多余观测，比如要拟合一次方程
y
=
k
x
+
b
y=k x+b
y=kx+b，我们可能观测了三个点（0,2）,（1,2）,（2,3），写成矩阵形式如下(为表述方便，用x1代替k，x2代替b )：
{
1
×
x
1
+
x
2
=
2
0
×
x
1
+
x
2
=
2
2
×
x
1
+
x
2
=
3
⇔
[
1
1
0
1
2
1
]
[
x
1
x
2
]
=
[
2
2
3
]
⇔
A
×
x
=
b
\left\{\begin{array}{l} 1 \times x_{1}+x_{2}=2 \\ 0 \times x_{1}+x_{2}=2 \\ 2 \times x_{1}+x_{2}=3 \end{array} \Leftrightarrow\left[\begin{array}{ll} 1 & 1 \\ 0 & 1 \\ 2 & 1 \end{array}\right]\left[\begin{array}{l} x_{1} \\ x_{2} \end{array}\right]=\left[\begin{array}{l} 2 \\ 2 \\ 3 \end{array}\right] \Leftrightarrow A \times x=b\right.
⎩⎨⎧1×x1+x2=20×x1+x2=22×x1+x2=3⇔⎣⎡102111⎦⎤[x1x2]=⎣⎡223⎦⎤⇔A×x=b
表示成线性组合的方式：
[
1
0
2
]
×
x
1
+
[
1
1
1
]
×
x
2
=
[
2
2
3
]
⇔
a
1
×
x
1
+
a
2
×
x
2
=
b
\left[\begin{array}{l} 1 \\ 0 \\ 2 \end{array}\right] \times x_{1}+\left[\begin{array}{l} 1 \\ 1 \\ 1 \end{array}\right] \times x_{2}=\left[\begin{array}{l} 2 \\ 2 \\ 3 \end{array}\right] \Leftrightarrow a_{1} \times x_{1}+a_{2} \times x_{2}=b
⎣⎡102⎦⎤×x1+⎣⎡111⎦⎤×x2=⎣⎡223⎦⎤⇔a1×x1+a2×x2=b
画在图中如下：
从图中我们可以看到，无论
a
1
\mathbf{a_1}
a1 和
a
2
\mathbf{a_2}
a2 怎么线性组合都不可能得到
b
\mathbf{b}
b，因为
a
1
\mathbf{a_1}
a1 和
a
2
\mathbf{a_2}
a2 的线性组合成的向量只能落在它们组成的子空间
S
\mathbf{S}
S 中。
退而求其次，虽然我们不可能得到
b
\mathbf{b}
b，但在
S
\mathbf{S}
S上找一个和
b
\mathbf{b}
b最接近的总可以吧。那么将
b
\mathbf{b}
b投影 在平面
S
\mathbf{S}
S上得到的向量
p
\mathbf{p}
p就是和
b
\mathbf{b}
b最接近的向量（把向量看作点，最接近的意思就是点到平面某点取得距离最短，自然就是投影所成的交点）。
换句话说，方程组 A x = b Ax=b Ax=b虽然无解，也就是b不在A的列空间中，但是我们可以在 A A A的列空间中找到一个和 b b b最接近的向量 p p p， p p p就是 b b b在 A A A的列空间中的投影，通过求 A x = p Ax=p Ax=p的解，就是原方程的最小二乘解。
由几何意义可知垂线
e
=
b
−
p
=
b
−
A
x
e=b-p=b-Ax
e=b−p=b−Ax正交于平面
S
\mathbf{S}
S，也就是
a
1
T
e
=
0
,
a
2
T
e
=
0
a_{1}^{T} e=0, a_{2}^{T} e=0
a1Te=0,a2Te=0，写成矩阵形式：
A
T
e
=
A
T
(
b
−
A
x
)
=
A
T
b
−
A
T
A
x
=
0
\begin{array}{c} A^{T} e=A^{T}(b-Ax)=A^{T} b-A^{T} Ax=0 \end{array}
ATe=AT(b−Ax)=ATb−ATAx=0解得
x
=
(
A
T
A
)
−
1
A
T
b
x=\left(A^{T} A\right)^{-1} A^{T} b
x=(ATA)−1ATb，可以看到推导结果和矩阵法一样。从上面可以看到，最小二乘法的几何意义就是求解
b
b
b 在
A
A
A的列向量空间中的投影。
到这里最小二乘法的推导已经完成了，但是我们忽略了一个问题，就是假如 A T A A^TA ATA不可逆怎么办？这个问题我写在了另外一篇文章 详解岭回归与L2正则化
以上就是全部内容。
相关推荐阅读：
最小二乘法的原理理解
详解岭回归与L2正则化
另外推荐一篇关于主成成分分析PCA写得也很不错的文章：
通俗易懂的PCA原理及代码实现(超详细推导)
Reference
https://www.cnblogs.com/pinard/p/5976811.html
https://zhuanlan.zhihu.com/p/38128785
https://www.zhihu.com/question/304164814/answer/549972357
如果对你有帮助，请点个赞让我知道:-D
旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。
更多推荐
1218
0- 0
已为社区贡献6条内容
所有评论(0)