直线最小二乘法

作者：追风剑情发布于：2026-2-27 9:53 分类：Algorithms

直线公式

$$ f_\theta(x)=\theta_0+\theta_1x $$

误差平方和公式

$$ E(\theta)=\frac{1}{2}\displaystyle\sum_{i=1}^{n}(y^{(i)}-f_\theta(x^{(i)}))^2 $$

$E(\theta)$中的E是误差的英语单词Error的首字母。我们的目标就是找到$\theta_0$和$\theta_1$，使得$E(\theta)$的值达到最小。

利用梯度下降法求$\theta_0$和$\theta_1$

这里需要用到偏微分来分别求出$\theta_0$和$\theta_1$的更新表达式。

$$ \theta_0 := \theta_0 - \eta \frac{\partial E}{\partial \theta_0} $$ $$ \theta_1 := \theta_1 - \eta \frac{\partial E}{\partial \theta_1} $$

$\eta$是学习率，是一个正的常数，读作“伊塔”。根据学习率的大小，到达最小值的更新次数也会发生变化。换种说法就是收敛速度会不同。有时候甚至会出现完全无法收敛，一直发散的情况。

因为$\theta_0$和$\theta_1$在函数$f_\theta(x)$中，需要用到复合函数的微分。

$$ u=E(\theta) $$ $$ v=f_\theta(x) $$ $$ \frac{\partial u}{\partial \theta_0}=\frac{\partial u}{\partial v} \cdot \frac{\partial v}{\partial \theta_0} $$ $$ \frac{\partial u}{\partial \theta_1}=\frac{\partial u}{\partial v} \cdot \frac{\partial v}{\partial \theta_1} $$

求u对v的微分

$$ \begin{flalign} \frac{\partial u}{\partial v} &= \frac{\partial}{\partial v}\left( \frac{1}{2}\displaystyle\sum_{i=1}^{n}(y^{(i)}-v)^2 \right) &\\ &=\frac{1}{2}\displaystyle\sum_{i=1}^{n} \left( \frac{\partial}{\partial v}(y^{(i)}-v)^2 \right) &\\ &=\frac{1}{2}\displaystyle\sum_{i=1}^{n} \left( \frac{\partial}{\partial v}(y^{(i)^2}-2y^{(i)}v+v^2) \right) &\\ &=\frac{1}{2}\displaystyle\sum_{i=1}^{n} \left( -2y^{(i)}+2v \right) &\\ &=\displaystyle\sum_{i=1}^{n} \left( v - y^{(i)} \right) \end{flalign} $$

求v对$\theta_0$的微分

$$ \begin{flalign} &\frac{\partial v}{\partial \theta_0} = \frac{\partial}{\partial \theta_0} (\theta_0+\theta_1 x) = 1 &\\ \end{flalign} $$

求v对$\theta_1$的微分

$$ \begin{flalign} &\frac{\partial v}{\partial \theta_1} = \frac{\partial}{\partial \theta_1} (\theta_0+\theta_1 x) = x &\\ \end{flalign} $$

所以

$$ \begin{flalign} \frac{\partial u}{\partial \theta_0} &=\frac{\partial u}{\partial v} \cdot \frac{\partial v}{\partial \theta_0} &\\ &=\displaystyle\sum_{i=1}^{n} \left( v - y^{(i)} \right) \cdot 1 &\\ &=\displaystyle\sum_{i=1}^{n} \left( f_\theta(x^{(i)}) - y^{(i)} \right) \end{flalign} $$ $$ \begin{flalign} \frac{\partial u}{\partial \theta_1} &=\frac{\partial u}{\partial v} \cdot \frac{\partial v}{\partial \theta_1} &\\ &=\displaystyle\sum_{i=1}^{n} \left( v - y^{(i)} \right) \cdot x^{(i)} &\\ &=\displaystyle\sum_{i=1}^{n} \left( f_\theta(x^{(i)}) - y^{(i)} \right) x^{(i)} \end{flalign} $$

最后得到的参数$\theta_0$和$\theta_1$的更新表达式。

$$ \theta_0 := \theta_0 - \eta \displaystyle\sum_{i=1}^{n} \left( f_\theta(x^{(i)}) - y^{(i)} \right) \quad \; $$ $$ \theta_1 := \theta_1 - \eta \displaystyle\sum_{i=1}^{n} \left( f_\theta(x^{(i)}) - y^{(i)} \right) x^{(i)} $$

标签: Algorithms