递归最小二乘法原理（机器学习之最小二乘法）
-
最小二乘法（即最小平方和）是一种数学优化技术。可以通过它计算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。
-
通常一元线性回归和多元线性回归都用最小二乘法求得未知参数，比如一元线性回归方程的斜率和截距，多元线性回归的多个参数和常量。
-
用“残差和最小”确定直线位置是一个途径。但很快发现计算“残差和”存在相互抵消的问题。
-
用“残差绝对值和最小”确定直线位置也是一个途径。但绝对值的计算比较麻烦。
-
最小二乘法的原则是以“残差平方和最小”确定直线位置。用最小二乘法除了计算比较方便外，得到的估计量还具有优良特性。这种方法对异常值非常敏感。
-
例如一元线性回归方程：y=a bx
n个离差构成的总离差越小越好，只有如此才能使直线最贴近已知点。换句话说，求回归直线方程的过程其实就是求离差最小值的过程，也就是求最优参数的过程，机器学习训练模型也是求最优参数的过程，训练线性回归就是求最优参数。
一个很自然的想法是把各个离差加起来作为总离差。可是，由于离差有正有负，直接相加会互相抵消，就无法反映这些数据的贴近程度，即这个总离差不能用n个离差之和来表示，见下图：
离差
-
所以应该用离差平方和表示，即：
离差平方和公式
-
用最小二乘法求回归直线方程中的a、b的公式如下：
离差平方和最小时b和a的值
推导过程如下：-
变形公式一：
-
变形公式二：
-
变形后，推导最小二乘法求回归直线方程的公式：
到此，公式推导完成，从最后公式可以看出后两项
与a、b无关，属于常数项
与a、b无关，属于常数项，所以要想让最小二乘法的平方差最小，只需要让
只需让前面的项为0
这样可以得到误差平方和最小时b(斜率)和a截距的值：
免责声明：本文仅代表文章作者的个人观点，与本站无关。其原创性、真实性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容文字的真实性、完整性和原创性本站不作任何保证或承诺，请读者仅作参考，并自行核实相关内容。文章投诉邮箱：anhduc.ph@yahoo.com
