OLS回归 估计 F值 ols法估计样本回归直线

线性回归推导

一. 回顾

  对于一元线性回归模型, 假设从总体中获取了n组观察值（X1，Y1），（X2，Y2）， …，（Xn，Yn）。对于平面中的这n个点，可以使用无数条曲线来拟合。要求样本回归函数尽可能好地拟合这组值。综合起来看，这条直线处于样本数据的中心位置最合理。 选择最佳拟合曲线的标准可以确定为：使总的拟合误差（即总残差）达到最小。有以下三个标准可以选择：

1. 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。
2. 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。
3. 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。

  最常用的是普通最小二乘法（ Ordinary Least Square，OLS）：所选择的回归模型应该使所有观察值的残差平方和达到最小。（Q为残差平方和）- 即采用平方损失函数.

二.最小二乘法推导

2.1.前置条件：

对于N个数据集
$D = {(x_{1},y_{1}),((x_{2},y_{2}) ······(x_{N},y_{N})}$
其中x_i ∈ℝ^p,y_i∈ℝ，i =1,2,3,……N

  在机器学习中常把向量定义为列向量，所以我们令feature值为X，label值为Y，即：
$X = ( x_ {1}，x_ {2}……x_ {N})^T= \left[ \begin{matrix} x_ {11} & x_ {12} & \cdots & x_ {1N} \\ x_ {21} & x_ {22} & \cdots & x_ {2N} \\ \vdots & \vdots & \ddots & \vdots \\ x_ {P1} & x_ {P2} & \cdots & x_ {PN} \\ \end{matrix} \right]$

$Y = \left[ \begin{matrix} y_{1} \\ y_{2} \\ \vdots \\ y_{N} \end{matrix} \right]$

2.1.最小二乘法就损失函数极小值：

  构建线性模型：
$\vec{ y } = w^Tx$

  则对于损失函数
$L(w) = \sum_{i=1}^n ||w^Tx_{i} - y_{i}||^2$
  因为结果是一个实数，所以可以将式子直接改写为：
$L(w) = \sum_{i=1}^n (w^Tx_{i} - y_{i})^2$
  则：
$L(w) = \sum_{i=1}^n (w^Tx_{i} - y_{i})^2 \\= (\begin{matrix} w^Tx_{1} - y_{1} & w^Tx_{2} - y_{2} & \cdots & w^Tx_{N} - y_{N}\end{matrix})\left( \begin{matrix} w^Tx_{1} - y_{1} \\ w^Tx_{2} - y_{2} \\ \vdots \\ w^Tx_{N} - y_{N} \end{matrix} \right) \\=(\begin{matrix} w^Tx_{1} - y_{1} & w^Tx_{2} - y_{2} & \cdots & w^Tx_{N} - y_{N}\end{matrix})(\begin{matrix} w^Tx_{1} - y_{1} & w^Tx_{2} - y_{2} & \cdots & w^Tx_{N} - y_{N}\end{matrix})^T$
  括号中的式子可以看做是两个向量相减：
$(\begin{matrix} w^Tx_{1} - y_{1} & w^Tx_{2} - y_{2} & \cdots & w^Tx_{N} - y_{N}\end{matrix}) \\=(\begin{matrix} w^Tx_{1} & w^Tx_{2} & \cdots & w^Tx_{N} \end{matrix}) - (\begin{matrix} y_{1} &y_{2} & \cdots &y_{N}\end{matrix}) \\=w^T(\begin{matrix} x_{1} & x_{2}& \cdots & x_{N}\end{matrix}) - (\begin{matrix} y_{1} &y_{2} & \cdots &y_{N}\end{matrix})$
  因为
$X = (\begin{matrix} x_{1} & x_{2}& \cdots & x_{N}\end{matrix}) ^T\\ Y = (\begin{matrix} y_{1} &y_{2} & \cdots &y_{N}\end{matrix}) ^T$
  所以损失函数可以写成：
$L(w) = (w^TX^T-Y^T)(w^TX^T-Y^T)^T \\ = (w^TX^T-Y^T)(Xw-Y) \\ = w^TX^TXw - Y^TXw-w^TX^TY+Y^TY$
  因为损失函数是一个实数，所以式中的每一个函数皆为实数，所以

$|Y^TXw| = |(Y^TXw)^T| = |w^TX^TY|$
  所以最终损失函数：
$L(w) = w^TX^TXw - 2w^TX^TY+Y^TY$
  令损失函数最小求得的w就是我们的目标，即损失函数对w求导为0：
$\text{d}L(w)/dw = 2X^TXw-2Y^TX = 0$
  求得
$w = (X^TX)^{-1}X^TY$
  这就是最小二乘法的解法，就是求得损失函数的极值点。

3.岭回归推导

  引入岭回归是因为最小二乘法中是假定X^TX是一定可逆的。但是当数据量过少或者特征存在多重共线性时，X^TX可能不可逆。所以引入岭回归处理。岭回归的本质是正则化，是为了防止模型过拟合而加上一个惩罚系数。

正则化框架：
$argmin[L(w) + λP(w)]$
其中P(w)就是惩罚项。

正则化分为L1回归和L2回归。

• Li回归中：P(w) = ||w||₁
• L2回归中：P(w) = ||w||₂²= w^Tw

则：
$J(w) = \sum_{i=1}^n (w^Tx_{i} - y_{i})^2 + λw^Tw \\ = (w^TX^T-Y^T)(Xw-Y)+ λw^Tw\\= w^TX^TXw - Y^TXw-w^TX^TY+Y^TY + λw^Tw$
即：(矩阵求导与最小二乘法相同)
$J(w) = w^T(X^TX+λI)w - 2w^TX^TY+Y^TY$
则
$\vec{ w } =argmin(J(w))$
J(w)对w求导：
$\text{d}J(w)/dw = 2(X^TX+λI)w-2Y^TX = 0$
解得：
$\vec{ w } =w = (X^TX+λI)^{-1}X^TY$

4.注

1. 矩阵的转置
   $(AB)^T = B^TA^T$
2. 矩阵求导