Lineare Regression
Aktualisiert auf September 02, 2024 4 Minuten gelesen

Einführung
Gegeben sei ein Datensatz $D = {(X_{1}, Y_{2}), \dots,(X_{N}, Y_{N})}$ wie $X_{i}$ und $Y_{i }$ sind stetig. Das Ziel der „linearen Regression“ besteht darin, die beste Linie zu finden, die zu diesen Daten passt.
Mit anderen Worten, wir wollen das Modell erstellen:
$$ \hat{y} = a*{0} + a*{1}.x*{1} + \dots + a*{p}.x_{p} $$
wobei $p$ die Anzahl der Dimensionen der Variablen $X$ ist.
In diesem Artikel erfahren Sie, wie Sie dieses Problem in drei Szenarien lösen können:
-
Wenn X eindimensional ist, d. h. $p=1$.
-
Wenn X mehrdimensional ist, d. h. $p>1$.
-
Verwendung des Gradientenabstiegs.
$X$ ist eindimensional (Ordinary Least Square)
Das Modell, das wir erstellen möchten, hat die folgende Form:
$$ \hat{y} = a*{0} + a*{1}.x $$
Denken Sie daran, dass das Ziel der linearen Regression darin besteht, die Linie zu finden, die am besten zu den Daten passt. Mit anderen Worten: Wir müssen den Abstand zwischen den Datenpunkten und der Linie minimieren.
$$ (\hat{a*{0}}, \hat{a*{1}}) = \underset{(a*{0}, a*{1})}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - \hat{y*{i}})^2 $$
$$ = \underset{(a*{0}, a*{1})}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - (a*{0} + a*{1}.x*{i}))^2 $$
Sagen wir:
$$ L = \sum\limits*{i=1}^{N} (y*{i} - (a*{0} + a*{1}.x_{i}))^2 $$
Um das Minimum zu finden, müssen wir die folgenden Gleichungen lösen:
$$ \begin{cases} \frac{\partial L}{\partial a_{0}} = 0\ \frac{\partial L}{\partial a_{1}} = 0 \end{cases} $$
$$ \begin{cases} \sum\limits_{i=1}^{N} -2(y_{i} - (a_{0} + a_{1}.x_{i})) = 0\ \sum\limits_{i=1}^{N} -2x_{i}(y_{i} - (a_{0} + a_{1}.x_{i})) = 0 \end{cases} $$
Wir beginnen mit der Entwicklung der ersten Gleichung:
$$ \sum\limits_{i=1}^{N} y_{i} - \sum\limits_{i=1}^{N}a_{0} + \sum\limits_{i=1}^{N} a_{1}.x_{i} = 0\ $$
$$ \sum\limits_{i=1}^{N} y_{i} - Na_{0} + \sum\limits_{i=1}^{N} a_{1}.x_{i} = 0\ $$
$$ a_{0} = \frac{\sum\limits_{i=1}^{N} y_{i}}{N} - \frac{\sum\limits_{i=1}^{N} x_{i}}{N}a_{1} $$
$$ a_{0} = Y - Xa_{1} $$
Wir setzen in die zweite Gleichung ein:
$$ \sum\limits_{i=1}^{N} x_{i}(y_{i} - Y + Xa_{1} - a_{1}x_{i}) = 0 $$
$$ \sum\limits_{i=1}^{N} (y_{i} - Y) + a_{1}(X - x_{i}) = 0 $$
$$ \sum\limits_{i=1}^{N} (y_{i} - Y) - \sum\limits_{i=1}^{N}a_{1}(x_{i} - X) = 0 $$
$$ a_{1} = \frac{\sum\limits_{i=1}^{N} (y_{i} - Y)}{\sum\limits_{i=1}^{N}(x_{i} - X)} = \frac{\sum\limits_{i=1}^{N} (y_{i} - Y)(x_{i} - X)}{\sum\limits_{i=1}^{N}(x_{i} - X)^2} = \frac{COV(X, Y)}{VAR(X)} $$
Wir ersetzen wieder in $a_{0}$:
$$ \begin{cases} a_{0} = Y - X\frac{COV(X, Y)}{VAR(X)}\ a_{1} = \frac{COV(X, Y)}{VAR(X)} \end{cases} $$
$X$ ist mehrdimensional (Ordinary Least Square)
In diesem Fall ist $X_{i}$ keine reelle Zahl mehr, sondern ein Vektor der Größe $p$:
$$ X*{i} = (X*{i1},X*{i2},\dots,X*{ip}) $$
Das Modell ist also wie folgt geschrieben:
$$ \hat{y} = a*{0} + a*{1}x*{1} + a*{2}x*{2} + \dots + a*{p}x_{p} $$
oder es kann in einem Matrixformat geschrieben werden:
$$ \hat{Y} = X.W $$
Wo:
-
$Y$ hat die Form $(N, 1)$.
-
$X$ hat die Form $(N, p)$.
-
$W$ hat die Form $(p, 1)$: Dies ist der Parametervektor $(w_{1}, w_{2}, \dots, w_{p})$.
Ähnlich wie im ersten Fall streben wir die Minimierung der folgenden Menge an:
$$ \hat{W} = \underset{W}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - \hat{y_{i}})^2 $$
Sagen wir noch einmal:
$$ L = \sum\limits*{i=1}^{N} (y*{i} - \hat{y_{i}})^2 $$
$$ = (Y-XW)^{T}(Y-XW) $$
$$ = Y^TY-Y^TXW-W^TX^TY+W^TX^TXW $$
$$ = Y^TY-2W^TX^TY+W^TX^TXW $$
Da wir $L$ in Bezug auf $W$ minimieren wollen, können wir den ersten Term „$Y^TY$“ ignorieren, da er unabhängig von $W$ ist, und lösen wir die folgende Gleichung:
$$ \frac{\partial (-2W^TX^TY+W^TX^TXW)}{\partial W} = 0 $$
$$ -2X^TY+2X^TX\hat{W} = 0 $$
$$ \hat{W} = (X^TX)^{-1}X^TY $$
Verwenden des Gradientenabstiegs
Hier ist die Formulierung des Gradientenabstiegsalgorithmus:
$$ w*{n+1} = w*{n} - lr \times \frac{\partial f}{\partial w_{n}} $$
Jetzt müssen wir es nur noch auf die beiden Parameter $a_{0}$ und $a_{1}$ anwenden (im Fall einer Variablen $X$):
$$ \begin{cases} a_{0}^{(n+1)} = a_{0}^{(n)} - lr \times \frac{\partial L}{\partial a_{0}}\ a_{1}^{(n+1)} = a_{1}^{(n)} - lr \times \frac{\partial L}{\partial a_{1}} \end{cases} $$
und das wissen wir:
$$ \begin{cases} \frac{\partial L}{\partial a_{0}} = \sum\limits_{i=1}^{N} -2(y_{i} - (a_{0} + a_{1}.x_{i}))\ \frac{\partial L}{\partial a_{1}} = \sum\limits_{i=1}^{N} -2x_{i}(y_{i} - (a_{0} + a_{1}.x_{i})) \end{cases} $$
Durch Ersatz:
$$ \begin{cases} a_{0}^{(n+1)} = a_{0}^{(n)} + 2 \times lr \times \sum\limits_{i=1}^{N} (y_{i} - (a_{0}^{(n)} + a_{1}^{(n)}.x_{i}))\ a_{1}^{(n+1)} = a_{1}^{(n)} + 2 \times lr \times \sum\limits_{i=1}^{N} x_{i}(y_{i} - (a_{0}^{(n)} + a_{1}^{(n)}.x_{i})) \end{cases} $$
Quiz
-
Wie lautet die Formel des optimalen Parametervektors bei mehrdimensionaler linearer Regression:
-
$\frac{COV(X, Y)}{VAR(Y)}$
-
$\frac{COV(X, Y)}{VAR(X)}$
-
$(X^TX)^{-1}X^TY$ “richtig”
-
Warum setzen wir die Ableitung auf 0?
-
Um das Extremum zu finden. “richtig”
-
Um die Ableitung zu minimieren.
-
Nur den Realteil der Ableitung behalten.
-
Was ist das Ziel der linearen Regression?
-
Um die Linie zu finden, die durch alle Punkte verläuft.
-
Um die Zeile zu finden, die die Daten am besten beschreibt.”richtig”
-
Um die Linie zu finden, die die Daten am besten trennt.