最小二乘法、梯度下降法、牛顿法、高斯牛顿法原理

zhaly615

于 2020-05-17 20:43:19 发布

阅读量1.4k

点赞数

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/zhaly615/article/details/106179826

本文介绍了最小二乘法在处理超定方程组时寻找最佳预测系数的原理，以及梯度下降法作为一阶优化方法在求解无约束优化问题中的应用。接着阐述了牛顿法在求解方程根时的泰勒级数展开思想，并简要说明了高斯牛顿法在非线性回归模型中的迭代过程，用于最小化残差平方和。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

线性预测器最佳预测系数

在这里插入图片描述

最小二乘法

【线性最小二乘法基本公式】
考虑超定方程组（超定指方程个数大于未知量个数）：在这里插入图片描述

其中m代表有m个等式，n代表有 n 个未知数 β，m>n ；将其进行向量化后为：
在这里插入图片描述
显然该方程组一般而言没有解，所以为了选取最合适的 β让该等式"尽量成立"，引入残差平方和函数S

（在统计学中，残差平方和函数可以看成n倍的均方误差MSE）
当时， S（β）取最小值，记作：

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。