선형 회귀
August 02, 2024에서 업데이트 3 분을 읽습니다

소개
$X_{i}$ 및 $Y_{i와 같은 데이터 세트 $D = {(X_{1}, Y_{2}), \dots,(X_{N}, Y_{N})}$가 주어지면 }$는 연속형입니다. “선형 회귀”의 목표는 이 데이터에 가장 적합한 선을 찾는 것입니다.
즉, 우리는 모델을 생성하고 싶습니다:
$$ \hat{y} = a*{0} + a*{1}.x*{1} + \dots + a*{p}.x_{p} $$
여기서 $p$는 변수 $X$의 차원 수입니다.
이 문서에서는 세 가지 시나리오에서 이 문제를 해결하는 방법을 살펴보겠습니다.
-
X가 1차원인 경우, 즉 $p=1$.
-
X가 다차원인 경우, 즉 $p>1$.
-
경사하강법을 사용합니다.
$X$는 1차원(보통 최소 제곱)입니다.
우리가 만들고자 하는 모델의 모양은 다음과 같습니다.
$$ \hat{y} = a*{0} + a*{1}.x $$
선형 회귀의 목표는 데이터에 가장 적합한 선을 찾는 것임을 기억하십시오. 즉, 데이터 포인트와 선 사이의 거리를 최소화해야 합니다.
$$ (\hat{a*{0}}, \hat{a*{1}}) = \underset{(a*{0}, a*{1})}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - \hat{y*{i}})^2 $$
$$ = \underset{(a*{0}, a*{1})}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - (a*{0} + a*{1}.x*{i}))^2 $$
넣어 보자 :
$$ L = \sum\limits*{i=1}^{N} (y*{i} - (a*{0} + a*{1}.x_{i}))^2 $$
최소값을 찾으려면 다음 방정식을 풀어야 합니다.
$$ \begin{cases} \frac{\partial L}{\partial a_{0}} = 0\ \frac{\partial L}{\partial a_{1}} = 0 \end{cases} $$
$$ \begin{cases} \sum\limits_{i=1}^{N} -2(y_{i} - (a_{0} + a_{1}.x_{i})) = 0\ \sum\limits_{i=1}^{N} -2x_{i}(y_{i} - (a_{0} + a_{1}.x_{i})) = 0 \end{cases} $$
첫 번째 방정식을 개발하는 것부터 시작합니다.
$$ \sum\limits_{i=1}^{N} y_{i} - \sum\limits_{i=1}^{N}a_{0} + \sum\limits_{i=1}^{N} a_{1}.x_{i} = 0\ $$
$$ \sum\limits_{i=1}^{N} y_{i} - Na_{0} + \sum\limits_{i=1}^{N} a_{1}.x_{i} = 0\ $$
$$ a_{0} = \frac{\sum\limits_{i=1}^{N} y_{i}}{N} - \frac{\sum\limits_{i=1}^{N} x_{i}}{N}a_{1} $$
$$ a_{0} = Y - Xa_{1} $$
우리는 두 번째 방정식을 다음과 같이 대체합니다.
$$ \sum\limits_{i=1}^{N} x_{i}(y_{i} - Y + Xa_{1} - a_{1}x_{i}) = 0 $$
$$ \sum\limits_{i=1}^{N} (y_{i} - Y) + a_{1}(X - x_{i}) = 0 $$
$$ \sum\limits_{i=1}^{N} (y_{i} - Y) - \sum\limits_{i=1}^{N}a_{1}(x_{i} - X) = 0 $$
$$ a_{1} = \frac{\sum\limits_{i=1}^{N} (y_{i} - Y)}{\sum\limits_{i=1}^{N}(x_{i} - X)} = \frac{\sum\limits_{i=1}^{N} (y_{i} - Y)(x_{i} - X)}{\sum\limits_{i=1}^{N}(x_{i} - X)^2} = \frac{COV(X, Y)}{VAR(X)} $$
$a_{0}$로 다시 대체합니다.
$$ \begin{cases} a_{0} = Y - X\frac{COV(X, Y)}{VAR(X)}\ a_{1} = \frac{COV(X, Y)}{VAR(X)} \end{cases} $$
$X$는 다차원입니다(보통 최소 제곱).
이 경우 $X_{i}$는 더 이상 실수가 아니지만 대신 $p$ 크기의 벡터입니다.
$$ X*{i} = (X*{i1},X*{i2},\dots,X*{ip}) $$
따라서 모델은 다음과 같이 작성됩니다.
$$ \hat{y} = a*{0} + a*{1}x*{1} + a*{2}x*{2} + \dots + a*{p}x_{p} $$
또는 행렬 형식으로 작성할 수 있습니다.
$$ \hat{Y} = X.W $$
어디:
-
$Y$는 $(N, 1)$ 모양입니다.
-
$X$는 $(N, p)$ 모양입니다.
-
$W$는 $(p, 1)$ 모양입니다. 이는 매개변수 벡터 $(w_{1}, w_{2}, \dots, w_{p})$입니다.
첫 번째 경우와 유사하게 다음 수량을 최소화하는 것을 목표로 합니다.
$$ \hat{W} = \underset{W}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - \hat{y_{i}})^2 $$
다시 한번 넣어보자:
$$ L = \sum\limits*{i=1}^{N} (y*{i} - \hat{y_{i}})^2 $$
$$ = (Y-XW)^{T}(Y-XW) $$
$$ = Y^TY-Y^TXW-W^TX^TY+W^TX^TXW $$
$$ = Y^TY-2W^TX^TY+W^TX^TXW $$
$W$에 대해 $L$을 최소화하려고 하므로 첫 번째 항인 “$Y^TY$“는 $W$와 독립이므로 무시하고 다음 방정식을 풀어보겠습니다.
$$ \frac{\partial (-2W^TX^TY+W^TX^TXW)}{\partial W} = 0 $$
$$ -2X^TY+2X^TX\hat{W} = 0 $$
$$ \hat{W} = (X^TX)^{-1}X^TY $$
경사하강법 사용
경사하강법 알고리즘의 공식은 다음과 같습니다.
$$ w*{n+1} = w*{n} - lr \times \frac{\partial f}{\partial w_{n}} $$
이제 우리가 해야 할 일은 두 매개변수 $a_{0}$ 및 $a_{1}$(하나의 변수 $X$의 경우)에 이를 적용하는 것뿐입니다.
$$ \begin{cases} a_{0}^{(n+1)} = a_{0}^{(n)} - lr \times \frac{\partial L}{\partial a_{0}}\ a_{1}^{(n+1)} = a_{1}^{(n)} - lr \times \frac{\partial L}{\partial a_{1}} \end{cases} $$
그리고 우리는 다음을 알고 있습니다:
$$ \begin{cases} \frac{\partial L}{\partial a_{0}} = \sum\limits_{i=1}^{N} -2(y_{i} - (a_{0} + a_{1}.x_{i}))\ \frac{\partial L}{\partial a_{1}} = \sum\limits_{i=1}^{N} -2x_{i}(y_{i} - (a_{0} + a_{1}.x_{i})) \end{cases} $$
대체:
$$ \begin{cases} a_{0}^{(n+1)} = a_{0}^{(n)} + 2 \times lr \times \sum\limits_{i=1}^{N} (y_{i} - (a_{0}^{(n)} + a_{1}^{(n)}.x_{i}))\ a_{1}^{(n+1)} = a_{1}^{(n)} + 2 \times lr \times \sum\limits_{i=1}^{N} x_{i}(y_{i} - (a_{0}^{(n)} + a_{1}^{(n)}.x_{i})) \end{cases} $$
퀴즈
-
다차원 선형 회귀의 경우 최적 매개변수 벡터의 공식은 무엇입니까?
-
$\frac{COV(X, Y)}{VAR(Y)}$
-
$\frac{COV(X, Y)}{VAR(X)}$
-
$(X^TX)^{-1}X^TY$ “맞습니다”
-
왜 미분값을 0으로 두나요?
-
극한점을 찾는다. “옳은”
-
미분을 최소화합니다.
-
파생상품의 실수부분만 유지합니다.
-
선형회귀의 목적은 무엇인가?
-
모든 점을 지나는 선을 찾으려면.
-
데이터를 가장 잘 설명하는 행을 찾습니다.”올바른”
-
데이터를 가장 잘 구분하는 선을 찾으려면.