最小二乘法和正则化

高斯于1823年在误差e1 ,… , en独立同分布的假定下,证明了最小二乘方法的一个最优性质: 在所有无偏的线性估计类中,最小二乘方法是其中方差最小的！

使用最小二乘法拟和曲线

对于数据$(x_i,y_i)(i=1,2,3...,m)$

拟合出函数$h(x)$

有误差，即残差：$r_i=h(x_i)-y_i$

此时L2范数(残差平方和)最小时，h(x) 和 y 相似度最高，更拟合

一般的H(x)为n次的多项式，$H(x)=w_0+w_{1}x+w_2{x}^2+...w_n{x}^n$

$w(w_0,w_1,w_2,...,w_n)$为参数

最小二乘法就是要找到一组 $w(w_0,w_1,w_2,...,w_n)$ 使得${\sum }_{i=1}^n(h(x_i)-y_i{)}^2$ (残差平方和) 最小

即，求 $min{\sum }_{i=1}^n(h(x_i)-y_i{)}^2$

---

举例：我们用目标函数$y=sin2\pi x$, 加上一个正太分布的噪音干扰，用多项式去拟合【例1.1 11页】

import numpy as np import scipy as sp from scipy.optimize import leastsq import matplotlib.pyplot as plt %matplotlib inline

ps: numpy.poly1d([1,2,3]) 生成 $1x^2+2x^1+3x^0$

# 目标函数 def real_func(x):return np.sin(2*np.pi*x)# 多项式 def fit_func(p, x):f = np.poly1d(p)return f(x)# 残差 def residuals_func(p, x, y): #p应该是初始参数，是多项式前面的系数a，b，c等ret = fit_func(p, x) - yreturn ret # 十个点 x = np.linspace(0, 1, 10) x_points = np.linspace(0, 1, 1000) # 加上正态分布噪音的目标函数的值 y_ = real_func(x) y = [np.random.normal(0, 0.1)+y1 for y1 in y_]def fitting(M=0):"""M 为 多项式的次数""" # 随机初始化多项式参数p_init = np.random.rand(M+1)# 最小二乘法p_lsq = leastsq(residuals_func, p_init, args=(x, y))print('Fitting Parameters:', p_lsq[0])# 可视化plt.plot(x_points, real_func(x_points), label='real')plt.plot(x_points, fit_func(p_lsq[0], x_points), label='fitted curve')plt.plot(x, y, 'bo', label='noise')plt.legend()return p_lsq # M=0 p_lsq_0 = fitting(M=0) Fitting Parameters: [0.01191424]

# M=1 p_lsq_1 = fitting(M=1) Fitting Parameters: [-1.33036473 0.6770966 ]

# M=3 p_lsq_3 = fitting(M=3) Fitting Parameters: [ 21.14354912 -31.85091 10.66661731 -0.03324716]

# M=9 p_lsq_9 = fitting(M=9) Fitting Parameters: [ 7.45555674e+03 -3.31796363e+04 6.14569910e+04 -6.14712518e+043.59846685e+04 -1.24263822e+04 2.40975039e+03 -2.44841906e+021.50820818e+01 4.16353905e-02]

当M=9时，多项式曲线通过了每个数据点，但是造成了过拟合

正则化

结果显示过拟合， 引入正则化项(regularizer)，降低过拟合

$Q(x)={\sum }_{i=1}^n(h(x_i)-y_i{)}^2+\lambda ||w|{|}^2$。

回归问题中，损失函数是平方损失，正则化可以是参数向量的L2范数,也可以是L1范数。

• L1: regularization*abs§

• L2: 0.5 * regularization * np.square§

regularization = 0.0001def residuals_func_regularization(p, x, y):ret = residuals_func(p, x, y)ret = np.append(ret, np.sqrt(0.5*regularization*np.square(p))) # L2范数作为正则化项return ret # 最小二乘法,加正则化项 p_init = np.random.rand(9+1) p_lsq_regularization = leastsq(residuals_func_regularization, p_init, args=(x, y)) plt.plot(x_points, real_func(x_points), label='real') plt.plot(x_points, fit_func(p_lsq_9[0], x_points), label='fitted curve') plt.plot(x_points, fit_func(p_lsq_regularization[0], x_points), label='regularization') plt.plot(x, y, 'bo', label='noise') plt.legend() <matplotlib.legend.Legend at 0x22e88ece9b0>

原文代码作者：https://github.com/wzyonggege/statistical-learning-method

中文注释制作：机器学习初学者

总结

以上是生活随笔为你收集整理的最小二乘法和正则化的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。