Метод на най-малките квадрати

Геометрия и алгебра на линейни приложения, вектори и матрици

Когато системата Ax = b няма точно решение (обичайният случай, когато има повече данни, отколкото параметри), вие правите следващото най-добро нещо: намирате такова x, което прави Ax възможно най-близо до b. „Близо“ означава минимална квадратична грешка. Това е същността на метода на най-малките квадрати, който лежи в основата на обикновената линейна регресия.

Геометрията обяснява всичко. Достижимите вектори Ax образуват пространството от колони на A — равнина, разположена в пространство с по-висока размерност. Целевият вектор b обикновено се намира извън тази равнина. Най-близката достижима точка е ортогоналната проекция на b върху равнината: спуснете перпендикуляр от b право надолу, и там, където той пробожда равнината, се намира Ax.

На фигурата преместете b извън правата и наблюдавайте как проекцията (най-доброто приближение) се плъзга, за да остане точно под него, като векторът на грешката винаги е перпендикулярен.

Къде се използва това в MLЛинейната регресия използва метода на най-малките квадрати. Решението в затворена форма β = (XᵀX)⁻¹Xᵀy представлява нормалните уравнения, решени спрямо коефициентите. Същата идея за проекция дефинира и псевдообратната матрица (pseudoinverse) A⁺ — универсалният инструмент за намиране на „възможно най-доброто решение на Ax = b“. Всяка функция на загубата, базирана на квадратична грешка в машинното…
▶ Метод на най-малките квадрати
← PCA чрез SVDМатрични норми →