实例分析，如何用最小二乘法做线性回归？

嵌入式客栈 2020-09-15 00:00

最小二乘法是一种通过数值对曲线函数拟合的一种统计学方法，这里的最小是拟合误差达到最小。我们可以根据拟合后的函数可以做一些预测或预报。它在数字信号处理、机器学习等领域广泛的应用。本文W君将和大家一起学习如何通过最小二乘法进行线性回归。

我们来用一个最简单的一元线性回归模型的例子来理解最小二乘法。在生活中，我们知道人的身高和脚的大小是成正比的，这里我们假设身高和脚的大小是成一元线性关系的。那么我们怎么去建立这样一个一元线性模型呢？我们从人群中随机抽取几个身高不同的人，分别测量他们的身高和脚长，假如下面的表格就是我们的统计数据。

将他们在坐标系上显示，如下图，可以看到这些数据是趋近于一条直线的。

那么如何拟合这个直线呢？早在1805年勒让德就提出了最小二乘法。其方法就是根据已知的m个样本特征值，列出一个目标函数E，并求其最优解，从而使得实际值与预估值达到最小。这里的目标函数也叫损失函数，它是可以表征回归模型中估测值和真实值的不一致程度，其值越小越接近真实情况。它是由若干个预测值和真实之差的平方和构成，所以我们称之为最小二乘。

样本特征值：

目标函数：

这里我们假设拟合函数为：

这时我们的目标函数就为：

然后，通过最小二乘法使目标函数最小，求出这时的θ0和θ1的值，就可以得出拟合曲线了。

那么，问题来了？怎样让目标函数最小，求出θ0和θ1这两个参数呢？这里我们有两种方法，对其进行求解，分别是代数法和矩阵法。

代数法

先高能预警一下，代数法公式看上去比较复杂，让人看得不免有些枯燥，W君觉得这里还是有必要列一下，大家只要理解了就好。代数法的解法就是先分别对θ0和θ1分别求偏导数，然后分别使导数为0，得到一个关于θ0和θ1的方程组，最后解方程组即可。

损失函数对θ0求导，得到方程：

损失函数对θ1求导，得到方程：

根据上面两个方程组成一个二元一次方程组，求解θ0和θ1:

类似的，对于n元一次方程也需要对每个参数进行求导，得出一个n元一次方程组，并求解出这n个θ参数。

看到这里一大堆公式是不是已经头大了？确实W君也觉得让人头大，那么，还有没有更加简洁的方法呀？这就是下面我们要学习的矩阵法了。

矩阵法

矩阵解法要比代数法简洁很多，也是大家比较习惯使用的方法。这里我们用n元一次函数作为拟合函数来求导矩阵法的公式，推导过程同样是痛苦的，但是大家最后记住公式就好，我们来看公式推导过程。

拟合函数：

其矩阵表示如下：

所以，损失函数：

在利用矩阵的迹公式得出：

令上面的公式为0，得出：

（敲黑板，这个公式我们一定要记住!!!）

这里的θ就是我们需要求的参数，不过这里的是向量形式。

C++实现矩阵法

下面我们用矩阵法求解本文开头的例子，我们使用表格中的身高和脚长作为样本数据，再利用开源库Eigen来实现矩阵运算。关于Eigen的安装和使用可以参考W君的这篇文章《快速入门矩阵运算——开源库Eigen》。这里用到了转置函数transpose()和求逆函数inverse()。

我们来看一下求解代码，代码中利用了矩阵法求θ向量的公式。

#include <iostream>#include "eigen_3_3_7/Eigen/Eigen"
int main(){
 Eigen::MatrixXf X(8,2);  Eigen::VectorXf Y(8); Eigen::VectorXf result;
 X << 155, 1, 159, 1, 163, 1, 169, 1, 175, 1, 179, 1, 184, 1, 188, 1;
 Y << 18.1, 19.7, 21.2, 24.2, 26.1, 27.8, 30.3, 32.4;
 result = (X.transpose()*X).inverse() * X.transpose() * Y;

 std::cout << "------ X ------" << std::endl << X << std::endl; std::cout << "------ Y ------" << std::endl << Y << std::endl; std::cout << "------ result ------" << std::endl << result << std::endl;


}