​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​摘要：最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具。最小二乘很简单，也在业界得到了广泛使用。

本文分享自华为云社区，作者：Yan  。

最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具。最小二乘很简单，也在业界得到了广泛使用。

但是对于最小二乘法和它的故事，也许很多人并不了解，今天给大家做一下分享。

1801年，意大利天文学家朱赛普·皮亚齐发现了第一颗小行星谷神星。经过40天的跟踪观测后，由于谷神星运行至太阳背后，使得皮亚齐失去了谷神星的位置。随后全世界的科学家利用皮亚齐的观测数据开始寻找谷神星，但是根据大多数人计算的结果来寻找谷神星都没有结果。

时年24岁的高斯也计算了谷神星的轨道。奥地利天文学家海因里希·奥伯斯根据高斯计算出来的轨道重新发现了谷神星。

高斯使用的最小二乘法的方法发表于1809年他的著作《天体运动论》中，而法国科学家勒让德于1806年独立发现“最小二乘法”，但因不为世人所知而默默无闻。

为了方便大家理解最小二乘法，给大家讲个故事。

假设身高是变量X，体重是变量Y，我们都知道身高与体重有比较直接的关系。生活经验告诉我们：一般身高比较高的人，体重也会比较大。但是这只是我们直观的感受，只是很粗略的定性的分析。

在数学世界里，我们大部分时候需要进行严格的定量计算：能不能根据一个人的身高，通过一个式子就能计算出他或者她的标准体重？

我们可以采样一批人的身高体重数据， (x1​,y1​),(x2​,y2​),⋯,(xn​,yn​)，其中x是身高，y是体重。

生活常识告诉我们：身高与体重是一个近似的线性关系，用最简单的数学语言来描述就是y = \beta_0+\beta_1xy=β0​+β1​x。

于是，接下来的任务就变成：怎么求出这个β0​与β1​呢？

为了计算β0​,β1​​的值，我们采取如下规则：β0​,β1​应该使计算出来的函数曲线与观察值的差的平方和最小。用数学公式描述就是：

其中，y_{ie}yie​表示根据y=\beta_0 + \beta_1xy=β0​+β1​x估算出来的值，y_iyi​是观察得到的真实值。

这样，样本的回归模型很容易得出：

现在需要确定β0​、β1​，使cost function最小。大家很容易想到，对该函数求导即可找到最小值：

将这两个方程整理后使用克莱姆法则，很容易求解得出：

根据这个公式，只需要将样本都带入就可以求解出相应的参数。

如果我们推广到更一般的情况，假如有更多的模型变量x1,x2,⋯,xm（注意：x_1x1​是指 一个样本，x1是指样本里的一个模型相关的变量)，可以用线性函数表示如下：

y(x1,⋯,xm;β0​,⋯,βm​)=β0​+β1​x1+⋯+βm​xm

对于n个样本来说，可以用如下线性方程组表示：

如果将样本矩阵x_i^hxih​记为矩阵A,将参数矩阵记为向量\betaβ，真实值记为向量Y，上述线性方程组可以表示为：

即A \beta = YAβ=Y

对于最小二乘来说，最终的矩阵表达形式可以表示为：

min∣∣Aβ−Y∣∣2​

最后的最优解为：

β=(ATA)−1ATY

——华为云员工都在学的AI实战营，快来报名免费学习吧~