8.4 KiB
最小二乘是每个上过大学的同学都接触过的概念与知识点(当然可能纯文科的同学没接触过，但是一般纯文科的同学也不会看这篇文章好像)。最小二乘理论其实很简单，用途也很广泛。但是每次说到最小二乘，总感觉差了点什么似的，好像对于最小二乘的前世今生没有一个特别详细与系统的了解。so，本博主趁着周末的时间，赶紧给详细整理整理，力争把最小二乘是个什么鬼做一个特别详细的说明，争取让学英语学中文学历史学画画唱歌的同学都能看明白。
1.最小二乘的背景
这种东东的来源，比较容易找到而且比较靠谱的途径自然是wiki百科了，以下部分的内容来自wiki百科：
1801年，意大利天文学家朱赛普·皮亚齐发现了第一颗小行星谷神星。经过40天的跟踪观测后，由于谷神星运行至太阳背后，使得皮亚齐失去了谷神星的位置。随后全世界的科学家利用皮亚齐的观测数据开始寻找谷神星，但是根据大多数人计算的结果来寻找谷神星都没有结果。时年24岁的高斯也计算了谷神星的轨道。奥地利天文学家海因里希·奥伯斯根据高斯计算出来的轨道重新发现了谷神星。
高斯使用的最小二乘法的方法发表于1809年他的著作《天体运动论》中，而法国科学家勒让德于1806年独立发现“最小二乘法”，但因不为世人所知而默默无闻。两人曾为谁最早创立最小二乘法原理发生争执。1829年，高斯提供了最小二乘法的优化效果强于其他方法的证明，见高斯-马尔可夫定理。
2.举个最简单的例子理解最小二乘
现在大家都越来越重视自己的身体健康。现代人最常见的亚健康问题就是肥胖，本博主身体棒棒哒，唯一困扰本博主的健康问题就是超重。（好吧，承认自己是个死胖子就完了）
假设身高是变量X，体重是变量Y，我们都知道身高与体重有比较直接的关系。生活经验告诉我们：一般身高比较高的人，体重也会比较大。但是这只是我们直观的感受，只是很粗略的定性的分析。在数学世界里，我们大部分时候需要进行严格的定量计算：能不能根据一个人的身高，通过一个式子就能计算出他或者她的标准体重？
接下来，我们肯定会找一堆人进行采用（请允许我把各位当成一个样本）。采样的数据，自然就是各位的身高与体重。（为了方便计算与说明，请允许我只对男生采样）经过采样以后，我们肯定会得到一堆数据(x_1,y_1),(x_2,y_2),\cdots,(x_n,y_n)，其中x是身高，y是体重。
得到这堆数据以后，接下来肯定是要处理这堆数据了。生活常识告诉我们：身高与体重是一个近似的线性关系，用最简单的数学语言来描述就是y = \beta_0+\beta_1x。于是，接下来的任务就变成了：怎么根据我们现在得到的采样数据，求出这个\beta_0与\beta_1呢？这个时候，就轮到最小二乘法发飙显示威力了。
3.最小二乘的cost function
在讲最小二乘的详情之前，首先明确两点：1.我们假设在测量系统中不存在有系统误差，只存在有纯偶然误差。比如体重计或者身高计本身有问题，测量出来的数据都偏大或者都偏小，这种误差是绝对不存在的。（或者说这不能叫误差，这叫错误）2.误差是符合正态分布的，因此最后误差的均值为0（这一点很重要)
明确了上面两点以后，重点来了：为了计算\beta_0,\beta_1的值，我们采取如下规则：\beta_0,\beta_1应该使计算出来的函数曲线与观察值的差的平方和最小。用数学公式描述就是：
Q =min \sum_i ^n (y_{ie} - y_i)^2
其中，y_{ie}表示根据y=\beta_0 + \beta_1x估算出来的值，y_i是观察得到的真实值。
可能有很多同学就会不服了，凭什么要用差的平方和最小勒？用差的绝对值不行么？不要骗我们好不好？
本博主不敢骗大家，为了让大家相信，特意找了一种本博主认为比较靠谱的解释：
我们假设直线对于坐标 Xi 给出的预测 f(Xi) 是最靠谱的预测，所有纵坐标偏离 f(Xi) 的那些数据点都含有噪音，是噪音使得它们偏离了完美的一条直线，一个合理的假设就是偏离路线越远的概率越小，具体小多少，可以用一个正态分布曲线来模拟，这个分布曲线以直线对 Xi 给出的预测 f(Xi) 为中心，实际纵坐标为 Yi 的点 (Xi, Yi) 发生的概率就正比于 EXP[-(ΔYi)^2]。（EXP(..) 代表以常数 e 为底的多少次方）。
所以我们在前面的两点里提到，假设误差的分布要为一个正态分布，原因就在这里了。
另外说一点我自己的理解：从数学处理的角度来说，绝对值的数学处理过程，比平方和的处理要复杂很多。搞过机器学习的同学都知道，L1正则就是绝对值的方式，而L2正则是平方和的形式。L1能产生稀疏的特征，这对大规模的机器学习灰常灰常重要。但是L1的求解过程，实在是太过蛋疼。所以即使L1能产生稀疏特征，不到万不得已，我们也还是宁可用L2正则，因为L2正则计算起来方便得多。。。
4.最小二乘法的求解
明确了前面的cost function以后，后面的优化求解过程反倒变得so easy了。
样本的回归模型很容易得出：
Q = \sum_i^n(y_i-\beta_0-\beta_1x)^2
现在需要确定\beta_0、\beta_1，使cost function最小。学过高数的同志们都清楚，求导就OK。对于这种形式的函数求导，so easy，so happy…
\frac{\partial Q}{\partial \beta_0} = 2\sum_i^n(y_i-\beta_0-\beta_1x_i)(-1) = 0 \\\\ \frac{\partial Q}{\partial \beta_1} = 2\sum_i^n(y_i-\beta_0-\beta_1x_i)(-x_i) = 0
将这两个方程稍微整理一下，使用克莱姆法则，很容易求解得出：
\beta_0 = \frac{\sum x_i^2 \sum y_i - \sum x_i \sum x_i y_i }{n \sum x_i^2 - (\sum x_i)^2} \\\\
\beta_1 = \frac{n \sum x_i y_i - \sum x_i \sum y_i}{n \sum x_i^2 - (\sum x_i)^2}
因为求和符号比较多，省略了上标与下标。
根据这个公式，就可以求解出相应的参数。
对应上面的身高体重关系的例子，我们只需要将采样得到的数据，一一代入即可求解。
5.矩阵表达形式
如果我们推广到更一般的情况，假如有更多的模型变量x^1,x^2,\cdots,x^m（注意：x_1是指 一个样本，x^1是指样本里的一个模型相关的变量)，可以用线性函数表示如下：
y(x^1,\cdots,x^m;\beta_0,\cdots,\beta_m) = \beta_0+\beta_1x^1 + \cdots + \beta_m x^m
对于n个样本来说，可以用如下线性方程组表示：
\beta_0 + \beta_1 x_1 ^1 + \cdots + \beta_j x_1 ^j + \cdots + \beta_m x_1^m = y_1 \\\\
\beta_0 + \beta_1 x_2 ^1 + \cdots + \beta_j x_2 ^j + \cdots + \beta_m x_2^m = y_2 \\\\
\cdots \\\\
\beta_0 + \beta_1 x_i ^1 + \cdots + \beta_j x_i ^j + \cdots + \beta_m x_i^m = y_i \\\\
\cdots \\\\
\beta_0 + \beta_1 x_n ^1 + \cdots + \beta_j x_n ^j + \cdots + \beta_m x_n^m = y_n
如果将样本矩阵x_i^h记为矩阵A,将参数矩阵记为向量\beta，真实值记为向量Y，上述线性方程组可以表示为：
\left [
\begin{matrix}
1 & x_1^{(1)} & \cdots & x_1^{(m)} \\\\
1 & x_2^{(1)} & \cdots & x_2^{(m)} \\\\
\cdots & \cdots & \cdots & \cdots \\\\
1 & x_n^{(1)} & \cdots & x_n^{(m)}
\end{matrix}
\right ] \cdot
\left [
\begin{matrix}
\beta_0 \\\\
\beta_1 \\\\
\cdots \\\\
\beta_m
\end{matrix}
\right ] =
\left [
\begin{matrix}
y_1 \\\\
y_2 \\\\
\cdots \\\\
y_n
\end{matrix}
\right ]
即A \beta = Y
对于最小二乘来说，最终的矩阵表达形式可以表示为：
min||A\beta - Y||_2
最后的最优解为：
\beta = (A^TA)^{-1}A^TY
6.注意事项
经典的最小二乘法使用起来够简单粗暴，计算过程也不复杂。但是一个致命的问题就是其对噪声的容忍度很低。试想一下，如果前面我们得到的总采样数据为100个，但是里面有几个大胖子，这几个大胖子就相当于不是普通人的身高-体重系数，他们就是噪声了。如果不采取一些手段对这几个噪声样本进行处理，最后计算出来的身高-体重系数肯定会比正常值要偏大。
对于噪声的处理，比如有加权最小二乘等方法，后续有时间跟大家再讲讲。