Lineær regression

Introduktion

Givet et datasæt $D = \{(X_{1}, Y_{2}), \dots,(X_{N}, Y_{N})\}$ såsom $X_{i}$ og $Y_{i }$ er kontinuerlige. Målet med "Lineær regression" er at finde den bedste linje, der passer til disse data.

Vi ønsker med andre ord at skabe modellen:

$\hat{y} = a*{0} + a*{1}.x*{1} + \dots + a*{p}.x\_{p}$

hvor $p$ er antallet af dimensioner af variablen $X$.

I denne artikel vil vi se, hvordan du løser dette problem i tre scenarier:

• Når X er endimensional, dvs. $p=1$.

• Når X er flerdimensional, dvs. $p>1$.

• Brug af gradientnedstigning.

$X$ er endimensionel (almindelig mindste kvadrat)

Den model, vi ønsker at skabe, er af form:

$\hat{y} = a*{0} + a*{1}.x$

Husk, at målet med lineær regression er at finde den linje, der passer bedst til dataene. Med andre ord skal vi minimere afstanden mellem datapunkterne og linjen.

$(\hat{a*{0}}, \hat{a*{1}}) = \underset{(a*{0}, a*{1})}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - \hat{y*{i}})^2$

$= \underset{(a*{0}, a*{1})}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - (a*{0} + a*{1}.x*{i}))^2$

Lad os sætte:

$L = \sum\limits*{i=1}^{N} (y*{i} - (a*{0} + a*{1}.x\_{i}))^2$

For at finde minimum skal vi løse følgende ligninger:

Vi starter med at udvikle den første ligning:

Vi erstatter i den anden ligning:

Vi erstatter tilbage i $a_{0}$:

$X$ er multidimensionel (almindelig mindste kvadrat)

I dette tilfælde er $X_{i}$ ikke længere et reelt tal, men i stedet er det en vektor af størrelsen $p$:

$X*{i} = (X*{i1},X*{i2},\dots,X*{ip})$

Så modellen er skrevet som følger:

$\hat{y} = a*{0} + a*{1}x*{1} + a*{2}x*{2} + \dots + a*{p}x\_{p}$

eller det kan skrives i et matrixformat:

$\hat{Y} = X.W$

hvor:

• $Y$ har formen $(N, 1)$.

• $X$ har formen $(N, p)$.

• $W$ har formen $(p, 1)$: dette er parametrene vektor $(w_{1}, w_{2}, \dots, w_{p})$.

På samme måde som i det første tilfælde tilstræber vi at minimere følgende mængde:

$\hat{W} = \underset{W}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - \hat{y\_{i}})^2$

Lad os igen sige:

$L = \sum\limits*{i=1}^{N} (y*{i} - \hat{y\_{i}})^2$

Da vi ønsker at minimere $L$ med hensyn til $W$, så kan vi ignorere det første udtryk "$Y^TY$", fordi det er uafhængigt af $W$, og lad os løse følgende ligning:

Bruger gradientnedstigning

Her er formuleringen af ​​gradient descent-algoritmen:

$w*{n+1} = w*{n} - lr \times \frac{\partial f}{\partial w\_{n}}$

Nu skal vi bare anvende det på de to parametre $a_{0}$ og $a_{1}$ (i tilfælde af én variabel $X$):

og vi ved at:

Ved substitution:

Quiz

• Hvad er formlen for den optimale parametervektor i tilfælde af multidimensionel lineær regression:

• $\frac{COV(X, Y)}{VAR(Y)}$

• $\frac{COV(X, Y)}{VAR(X)}$

• $(X^TX)^{-1}X^TY$ "korrekt"

• Hvorfor sætter vi den afledede til 0?

• At finde ekstremum. "korrekt"

• For at minimere derivatet.

• Kun at beholde den reelle del af derivatet.

• Hvad er formålet med lineær regression?

• At finde den linje, der går forbi alle punkterne.

• For at finde den linje, der bedst beskriver dataene."korrekt"

• At finde den linje, der bedst adskiller dataene.