在线词典

最小二乘法矩阵公式

更新日期:2026-11-12 08:11:32

$$

通过求导并令导数为零,可得正规方程(Normal Equation):

$$

\mathbf{X}^T (\mathbf{y} - \mathbf{X}\beta) = 0

$$

整理后得到:

$$

\mathbf{X}^T \mathbf{X} \beta = \mathbf{X}^T \mathbf{y}

$$

解此方程即可得到最优参数估计:

$$

\hat{\beta} = (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{y}

$$

三、关键公式总结

标题最小二乘法矩阵公式
内容

在数学和工程领域,最小二乘法是一种常用的优化方法,用于寻找最佳拟合数据的模型。它通过最小化实际观测值与模型预测值之间的平方误差之和,来求解未知参数。在多变量或高维数据中,使用矩阵形式进行表达更为高效和清晰。以下是对最小二乘法矩阵公式的总结。

一、基本概念

最小二乘法的核心思想是:

给定一组数据点 $(x_i, y_i)$,其中 $i = 1, 2, ..., n$,我们希望找到一个函数模型 $y = f(x)$,使得该模型在所有数据点上的预测值与实际值之间的误差平方和最小。

在回归分析中,通常假设模型为线性形式,即:

$$

y = \mathbf{X} \beta + \varepsilon

$$

其中:

- $\mathbf{X}$ 是设计矩阵(包含输入数据);

- $\beta$ 是待求的参数向量;

- $\varepsilon$ 是误差项。

二、最小二乘法的矩阵表示

设数据矩阵为 $\mathbf{X}$,其维度为 $n \times p$,其中 $n$ 是样本数,$p$ 是特征数;目标向量为 $\mathbf{y}$,其维度为 $n \times 1$。

最小二乘法的目标是最小化残差平方和:

$$

\min_{\beta} \

\mathbf{y} - \mathbf{X}\beta \^2
公式名称 公式表达式
残差向量 $ \mathbf{e} = \mathbf{y} - \mathbf{X}\beta $
残差平方和 $ S = \mathbf{e}^T \mathbf{e} = (\mathbf{y} - \mathbf{X}\beta)^T (\mathbf{y} - \mathbf{X}\beta) $
正规方程 $ \mathbf{X}^T \mathbf{X} \beta = \mathbf{X}^T \mathbf{y} $
最小二乘估计 $ \hat{\beta} = (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{y} $

四、应用说明

- 适用条件:当 $\mathbf{X}^T \mathbf{X}$ 可逆时,才能使用该公式。

- 优点:计算简单,适用于线性模型。

- 缺点:对异常值敏感,且当 $\mathbf{X}$ 的列间存在高度相关性时,可能造成数值不稳定。

五、示例(简要)

假设有如下数据:

x y
1 2
2 4
3 6

构建设计矩阵 $\mathbf{X}$ 和目标向量 $\mathbf{y}$:

$$

\mathbf{X} = \begin{bmatrix} 1 & 1 \\ 1 & 2 \\ 1 & 3 \end{bmatrix}, \quad \mathbf{y} = \begin{bmatrix} 2 \\ 4 \\ 6 \end{bmatrix}

$$

则:

$$

\mathbf{X}^T \mathbf{X} = \begin{bmatrix} 3 & 6 \\ 6 & 14 \end{bmatrix}, \quad \mathbf{X}^T \mathbf{y} = \begin{bmatrix} 12 \\ 28 \end{bmatrix}

$$

解得:

$$

\hat{\beta} = \begin{bmatrix} 0 \\ 2 \end{bmatrix}

$$

说明模型为 $y = 2x$,与实际数据完全吻合。

六、总结

最小二乘法的矩阵公式提供了一种简洁而强大的方法,用于解决线性回归问题。通过矩阵运算,可以高效地求解参数,并广泛应用于统计学、机器学习、信号处理等领域。掌握其公式和推导过程,有助于深入理解回归分析的原理与实现方式。

随便看