机器学习笔记（二）——多变量最小二乘法

在上一节中，我们介绍了最简单的学习算法——最小二乘法去预测奥运会男子100米时间。但是可以发现，它的自变量只有一个：年份。通常，我们所面对的数据集往往不是单个特征，而是有成千上万个特征组成。那么我们就引入特征的向量来表示，这里涉及到矩阵的乘法，向量，矩阵求导等一些线性代数的知识。

---

一. 将拟合函数由单变量改写为多变量

设我们的拟合函数

f(xi;ω)=ωTxi

其中， w表示拟合函数的参数，xi表示数据集中第i条数据。

对于上节中的f(x;a,b)=ax+b,我们可以令

ω=[ab],xi=[x1]

则这两个函数等价。为了方便推导，我们在损失函数前边加上1N,由于N是定值，它代表数据集的记录数。那么，损失函数可以写为：

L=1N∑i=1N(yi−ωTxi)2=1N(y−Xω)T(y−Xω)（1）

那么上式的推导过程也很简单，令

X=⎡⎣⎢⎢⎢⎢⎢xT1xT2⋮xTn⎤⎦⎥⎥⎥⎥⎥=⎡⎣⎢⎢⎢⎢11⋮1x1x2⋮xn⎤⎦⎥⎥⎥⎥

y=⎡⎣⎢⎢⎢⎢⎢y1y2⋮yn⎤⎦⎥⎥⎥⎥⎥,ω=[ω0ω1]

带入（1）式即可得证，此处略过。

二.多特征下求解参数 ω

L=1N(y−Xω)T(y−Xω)=1N(yT−ωTXT)(y−Xω)=1N(yTy−yTXω−ωTXTy+ωTXTXω)=1N(ωTXTXω−2ωTXTy+yTy)(2)

我们的目标是让损失函数最小，即求（2）的最小值，我们对ω求偏导数，令其等于0，就可以求出L取得极小值时参数ω的值。

∂L∂ω=1N(2XTXω−2XTy)=0(3)⇒XTXω=XTy⇒ω=(XTX)−1XTy

至此，我们已经求出了参数值，接下来就可以预测了。

至于(3)的求导，注意以下求导公式即可：

f(w) ∂f∂w wTx x xTw x wTw 2w wTCw 2Cw