Kleinste kwadraten

Meetkunde en algebra van lineaire afbeeldingen, vectoren en matrices

Wanneer Ax = b geen exacte oplossing heeft (het gebruikelijke geval bij meer data dan parameters), doe je het op één na beste: vind de x die Ax zo dicht mogelijk bij b brengt. "Dichtbij" betekent de kleinste gekwadrateerde fout. Dit is de kleinste-kwadratenmethode, de basis onder gewone regressie.

De meetkunde is het hele verhaal. De bereikbare uitvoeren Ax vormen de kolomruimte van A, een vlak dat zich in een hoger-dimensionale ruimte bevindt. Het doel b zweeft meestal buiten dat vlak. Het dichtstbijzijnde bereikbare punt is de orthogonale projectie van b op het vlak: laat een loodlijn van b recht naar beneden vallen, en waar die landt, is Ax.

Verplaats in de figuur b van de lijn af en kijk hoe de projectie (de beste fit) meeschuift om er recht onder te blijven, met de fout altijd loodrecht.

Waar dit voorkomt in MLLineaire regressie is kleinste kwadraten. De gesloten-vorm oplossing β = (XᵀX)⁻¹Xᵀy zijn de normaalvergelijkingen opgelost voor de coëfficiënten. Hetzelfde projectie-idee definieert de pseudo-inverse A⁺, het universele gereedschap om "Ax = b zo goed mogelijk op te lossen." Elke gekwadrateerde-fout verliesfunctie in ML herleidt zich tot dit beeld van projecteren op wat het model kan bereiken.
▶ Kleinste kwadraten
← PCA via SVDMatrixnormen →