最小二乘法
来源:互联网 发布:2016陈子豪刷枪软件 编辑:程序博客网 时间:2024/05/20 19:32
概念
最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。
举例
例如最简单的一次函数y=kx+b,已知坐标轴上已知点(1,6),(2,5),(3,7),(4,10),求经过这些点的图象的一次函数关系式。当然这条直线不可能经过每一个点,我们只要做到4个点到这条直线的距离的平方和最小即可,这这就需要用到最小二乘法的思想.然后就用线性拟合来求。一般只用于建模。
1k+b=6,2k+b=5,3k+b=7,4k+b=10
S(k,b)=[6−(1k+b)]2+[5−(2k+b)]2+[7−(3k+b)]2+[10−(4k+b)]2 最小二乘法采用的手段是尽量使得等号两边的方差最小,也就是找出这个函数的最小值。最小值可以通过对
S(k,b) 分别求 k 和 b 的偏导数,然后使它们等于零即可得到。
∂S∂k=0=8k+20b−56
∂S∂k=0=20k+60b−154 最后得到解
k=3.5,b=1.4 ,即直线y=3.5x+1.4 为最佳拟合曲线。
规则:被选择的参数,应该使算出的函数曲线与观测值之差的平方和最小。
应用
线性函数模型
典型的一类函数模型是线性函数模型。最简单的线性式是
该式的解为: 和
小结
最小二乘法多用于得到回归方程的参数的一个最优估值。在统计学上,该估值可以很好的拟合训练样本。
最大似然估计是估计使得从模型中抽取样本的概率最大的参数,最小二乘法则是选择参数的函数曲线和观察值得平方法最小。下面归纳其相同点和不同点:
相同点: 根据给定的样本进行参数估计。当数据满足正态分布函数时,最大似然估计和最小二乘法是相同的。
不同点:
1.最大似然估计方法–最合理的参数估计量为使得从模型中抽取该n组样本观测值的概率最大;最小二乘估计法–得到使得模型能最好地拟合样本数据的参数估计量。
2.最大似然估计需要已知概率分布函数,而最小二乘法不需要。
注意:本文主要引用维基百科。
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- 最小二乘法
- Android短信验证
- void QObject::moveToThread(QThread * targetThread)
- 安装myeclipse之前jdk的安装及配置(附:jre)
- 数组指针与指针数组
- JVM运行时数据区域
- 最小二乘法
- JUC源码分析17-队列-ArrayBlockingQueue
- 1313. 老曹骑士 TJ
- C++ 领域:游戏、HPC、编译器、金融、财务
- 《招聘一个靠谱的iOS》面试题参考答案(上)
- sql查询总结
- linux下crontab任务调度指令
- HTTP深入浅出 http请求
- 欢迎使用CSDN-markdown编辑器