最小二乘 权重 最小二乘加权

5.4 加权最小二乘法

最小二乘法是使 $\sum_i (b_i-\mathbf{a}^T_{ri}\mathbf{x})^2$ 最小，这表明每次测量的重要性一样，但实际中有时存在某些测量更重要，某些更不重要。以第一个例子为例说明，假设测量直径，用了两个精度不同的设备各测一次，分别为 $d_h,d_l$ ，设备的测量精度即方差分别为 $\sigma^2_h,\sigma^2_l$ ，设备精度越高方差越小。如何综合这两个测量结果来获得比仅用高精度设备更好的结果？如果设备精度相同，则结果为 $D=(d_h+d_l)/2$ ，即这两个测量权重相同。如果精度不同，则显然精度高的权重要大，权重要与精度成正比，所以测量结果应该为 $D= \frac {\sigma^2_l} {\sigma^2_h+\sigma^2_l}d_h + \frac {\sigma^2_h} {\sigma^2_h+\sigma^2_l}d_l$ ，该估计值方差为 $\sigma^2(D)=(\frac {\sigma^2_l} {\sigma^2_h+\sigma^2_l})^2\sigma^2_h + (\frac {\sigma^2_h} {\sigma^2_h+\sigma^2_l})^2\sigma^2_l=\frac {\sigma^2_h\sigma^2_l}{\sigma^2_h+\sigma^2_l}$ ，此值小于 $\sigma^2_h$ ，这说明估计值的精度高于 $d_h$

假设每次测量精度不同，方差为 $\sigma^2_i$ ，则此时应该使 $\sum_i \frac {1}{\sigma^2_i} (b_i-\mathbf{a}^T_{ri}\mathbf{x})^2$ 最小，即精度高的测量权重要大。根据前面结果知 $\sum_i (b_i-\mathbf{a}^T_{ri}\mathbf{x})^2=(\mathbf{b}-Ax)^T(\mathbf{b}-A\mathbf{x})$ 即向量 $\mathbf{b}-A\mathbf{x}$ 的内积，也就是向量 $\mathbf{b}$ 到子空间 $col A$ 的距离平方。现在要求加权距离平方的最小值，加权距离平方可以通过矩阵获得！令对角阵为：$D =diag(\frac{1}{\sigma^2_1},\frac{1}{\sigma^2_2},\cdots,\frac{1}{\sigma^2_n})$ ，$F =diag(\frac{1}{\sigma_1},\frac{1}{\sigma_2},\cdots,\frac{1}{\sigma_n})$ ，则 $D=F^TF$

$\sum_i \frac {1}{\sigma^2_i} (b_i-\mathbf{a}^T_{ri}\mathbf{x})^2=\\ (\mathbf{b}-A\mathbf{x})^TD(\mathbf{b}-A\mathbf{x})=\\ (\mathbf{b}-A\mathbf{x})^TF^TF(\mathbf{b}-A\mathbf{x})=\\ (F\mathbf{b}-(FA)\mathbf{x})^T(F\mathbf{b}-(FA)\mathbf{x})$

令 $\mathbf{b$ ， $A$ ，则上式为 $(\mathbf{b$

$\mathbf{\hat{x}} = (A$

这就是加权最小二乘法的解！

我们还可以进行推广，上式是 $(\mathbf{b}-A\mathbf{x})^TD(\mathbf{b}-A\mathbf{x})$ 最小解，其中 $D$ 是对角阵，其实对称阵 $S$ 也可以。只要对称阵满足对任意非零向量 $\mathbf{x}$ ，有 $\mathbf{x}^TS\mathbf{x} > 0$ 成立，$\mathbf{x}^TS\mathbf{x}$ 称为广义距离，即保证广义距离非负，此时对称阵 $S$

定义 正定矩阵 对称阵 $S$ 对应的广义距离 $\mathbf{x}^TS\mathbf{x}$

根据对称阵的 $LD$ 分解，有 $S=LDL^T＝LFF^TL^T=LF(LF)^T$ ，令 $F$ ，则 $S=F$ ，与对角阵 $D=F^TF$ 分解一致，所以最优解为 $\mathbf{\hat{x}} = (A^TSA)^{-1}A^TS\mathbf{b}$

如何确定对角阵或对称阵元素的值，这是一个困难的问题。有时可以根据先验知识来人为指定对角阵元素值，比如根据测量精度。但指定对称阵元素的值十分困难，在机器学习中，这称为度量学习。