最小二乘解(Least-squares Minimization )
来源:互联网 发布:windows 2000 编辑:程序博客网 时间:2024/05/17 02:33
对于线性方程组,解的判别条件如下:
1.Ax=0 总有解,至少有零解
2.Am×nx=0
当r(A)=n ,只有零解
当r(A)<n ,有无穷多解
3.Am×nx=b
当r(A)≠r(A|b) ,无解
当r(A)=r(A|b)=n ,有唯一解
当r(A)=r(A|b)=r<n ,有无穷多解
我一般我们会面临形如
- 如果
m<n ,未知数大于方程数。那么解不唯一,存在一个解矢量空间。- 如果
m=n ,那么只要A 可逆(非奇异,也就是满秩)就有唯一解,解为x=A−1b 。- 如果
m>n ,方程数大于未知数。方程一般没有解,除非b 属于A 的列向量组成的子空间。
我们考虑
奇异值分解
奇异值分解(SVD)是最有用的矩阵分解方法中的一种。给定一个矩阵
其中
所以
用奇异值分解在求线性最小二乘解的时候,我们找一个向量
令
显然,最接近
概括一下可以这样实现:
- 对
A 进行奇异值分解:A=UDVT - 令
b′=UTb - 求
yi=b′i/di ,di 是D的第i 个对角元素- 所求的解为
x=Vy
我们通常会遇到齐次方程的情况,形如
我们知道,
也就是说超定方程
正规方程
线性最小二乘问题也可以使用正规方程(normal equations )的方法来解。考虑
几何上我们可以这么理解,要是
也就是说让
把上式括号拆开做整理可以得到
这是一个
QR分解
QR分解是把一个矩阵分解为一个正交矩阵和一个上三角矩阵的积。对于矩阵
若
在解线性最小二乘,同上述方法一样,我们找一个向量
所以
参考
线性最小二乘问题
Multiple View Geometry in Computer Vision,Second Edition
【泡泡机器人原创】SVD之最小二乘(推导与证明)
- 最小二乘解(Least-squares Minimization )
- 最小二乘(Least Squares)
- 最小二乘法(最小平方法)(generalized least squares)
- Ordinary Least Squares 最小二乘约束
- 回归分析中的参数估计为何是最小二乘法(least squares),不是最小一乘法(least absolute deviations)
- Least Squares
- Least squares
- 数值优化(Numerical Optimization)学习系列-最小二乘问题(Least-Squares)
- 矩陣分析-線性系統-5 最小二乘問題(The Least Squares Problem)
- 偏最小二乘回归(Partial Least Squares Regression)笔记
- ALS(alternating least squares)交替最小二乘
- Regularized least-squares classification(RLSC)
- scikit-learn学习笔记:1.1 广义线性模型-普通的最小二乘(Ordinary Least Squares)
- 最小二乘法(Least Squares Fitting)
- 最小二乘法(least squares)
- Ordinary least squares是什么意思?
- Iterative Reweighted Least Squares
- 偏最小二乘法回归(Partial Least Squares Regression)
- python 注释规范
- [设计模式]访问者模式(Visitor)
- 多态和虚方法的调用
- 多功能串口调试工具的初步设想
- HDU-2955(01背包)
- 最小二乘解(Least-squares Minimization )
- Struts1框架五之怎么自定义一个FormBean的类型转化器
- POJ3258-River Hopscotch
- Android 添加多张图片。
- Struts1框架七之DispatchAction的说明
- 关于广义表
- GDI波形图的绘制以及坐标系的添加
- JZOJ2413 【NOI2005】维护数列
- MySQL基本操作