数值分析(9)-最小二乘法

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/kevin_zhao_zl/article/details/91040394

整理一下数值分析的笔记~
目录:

1. 误差
2. 多项式插值与样条插值
3. 函数逼近(THIS)
4. 数值积分与数值微分
5. 线性方程组的直接解法
6. 线性方程组的迭代解法
7. 非线性方程求根
8. 特征值和特征向量的计算
9. 常微分方程初值问题的数值解

1. 基本概念

δ i = y ( x i ) y i \delta_i=y(x_i)-y_i 在回归分析中称为残差,一般使用 δ 2 2 = i = 0 m δ i 2 = i = 0 m ( y ( x i ) y i ) 2 ||\delta||_2^2=\sum_{i=0}^m\delta_i^2=\sum_{i=0}^m(y(x_i)-y_i)^2 作为衡量标准称为平方误差,回归分析中称为残差平方和。

在函数类 φ \varphi 中选取一个函数 S ( x ) S^*(x) ,计算如下:

S ( x ) = j = 0 n a j φ j ( x ) = a 0 φ 0 ( x ) + . . . + a n φ n ( x ) δ 2 2 = i = 0 m ( S ( x i ) y i ) 2 = m i n S ( x ) φ ( S ( x i ) y i ) 2 , S ( x ) = j = 0 m a j φ j ( x ) φ S^*(x)=\sum_{j=0}^na_j\varphi_j(x)=a_0^*\varphi_0(x)+...+a_n^*\varphi_n(x)\\ ||\delta^*||_2^2=\sum_{i=0}^m(S^*(x_i)-y_i)^2=min_{S(x)\in \varphi}(S(x_i)-y_i)^2,\\ 其中S(x)=\sum_{j=0}^ma_j\varphi_j(x)为\varphi中的任意函数。

S ( x ) = j = 0 n a j φ j ( x ) S^*(x)=\sum^n_{j=0}a_j^*\varphi_j(x) 为最小二乘解;

S ( x ) = j = 0 n a j φ j ( x ) S(x)=\sum_{j=0}^na_j\varphi_j(x) 为拟合函数;

a j ( j = 0 , 1 , . . . , n ) a_j(j=0,1,...,n) 为拟合系数;

δ 2 2 ||\delta^*||_2^2 为最小二乘解的平方误差。

确定拟合函数后如何确定拟合系数?

2. 法方程组

如何求任意方程组 A m × n x = b A_{m \times n}x=b 的最小二乘解?

x ˉ \bar x 是最小二乘解则满足 ( b A x ˉ ) (b-A \bar x) \bot { A x , x R n Ax,x\in R^n },则 ( A x ) T ( b A x ˉ ) = 0 x R n (Ax)^T(b-A\bar x)=0,x \in R^n ,推出 x T ( A T b A T A x ˉ ) = 0 x R n x^T(A^Tb-A^TA\bar x)=0,x \in R^n ,可得 A T A x ˉ = A T b A^TA \bar x=A^Tb ,称为法方程,也称正规方程,它的解就是最小二乘解。

( 1 1 1 1 1 1 ) ( x 1 x 2 ) = ( 2 1 3 ) 求解不相容方程组 \left(\begin{matrix} 1 & 1\\ 1&-1\\ 1 &1 \end{matrix}\right)\left(\begin{matrix} x_1\\ x_2 \end{matrix}\right)=\left(\begin{matrix} 2\\ 1\\ 3 \end{matrix}\right)

:由 A T A x ˉ = A T b A^T A \bar x=A^Tb 得法方程:
( 1 1 1 1 1 1 ) ( 1 1 1 1 1 1 ) ( x 1 x 2 ) ( 1 1 1 1 1 1 ) ( 2 1 3 ) \left(\begin{matrix} 1 & 1&1\\ 1&-1&1 \end{matrix}\right) \left(\begin{matrix} 1 & 1\\ 1&-1\\ 1 &1 \end{matrix}\right) \left(\begin{matrix} x_1\\ x_2 \end{matrix}\right) \left(\begin{matrix} 1 & 1&1\\ 1&-1&1 \end{matrix}\right) \left(\begin{matrix} 2\\ 1\\ 3 \end{matrix}\right)

解得

( x 1 x 2 ) = ( 7 / 4 3 / 4 ) r = b A x ˉ = ( 2 1 3 ) ( 1 1 1 1 1 1 ) ( 7 / 4 3 / 4 ) = ( 0.5 0 0.5 ) r 2 = 0. 5 2 + 0 2 + 0. 5 2 = 0.707 \left(\begin{matrix} x_1 \\ x_2 \end{matrix}\right)=\left(\begin{matrix} 7/4 \\ 3/4 \end{matrix}\right)\\ r=b-A\bar x=\left(\begin{matrix} 2\\ 1\\ 3 \end{matrix}\right)-\left(\begin{matrix} 1 & 1\\ 1&-1\\ 1 &1 \end{matrix}\right)\left(\begin{matrix} 7/4\\ 3/4 \end{matrix}\right)=\left(\begin{matrix} -0.5\\ 0\\ 0.5 \end{matrix}\right)\\ ||r||_2=\sqrt{0.5^2+0^2+0.5^2}=0.707

:找出可以最优拟合点集(1,2),(-1,1),(1,3)的直线。

:将点(1,2),(-1,1),(1,3)代入直线 y = c 1 + c 2 x y=c_1+c_2x 中有:

{ c 1 + c 2 = 2 c 1 c 2 = 1 c 1 + c 2 = 3 , ( 1 1 1 1 1 1 ) ( c 1 c 2 ) = ( 2 1 3 ) , A T A x ˉ = A T b 线 y = 7 4 + 3 4 \begin{cases} c_1+c_2=2\\ c_1-c_2=1\\ c_1+c_2=3 \end{cases},\left(\begin{matrix} 1&1\\1&-1\\1&1\end{matrix}\right)\left(\begin{matrix} c_1\\c_2\end{matrix}\right)=\left(\begin{matrix} 2\\1\\3\end{matrix}\right),\\ 由公式A^TA\bar x=A^Tb得法方程,求解得不相容方程,\\得直线y=\frac{7}{4}+\frac{3}{4}


{持续更新}
欢迎扫描二维码关注微信公众号 深度学习与数学   [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读,算法和其他互联网技能的学习,概率论、线性代数等高等数学知识的回顾]
在这里插入图片描述

猜你喜欢

转载自blog.csdn.net/kevin_zhao_zl/article/details/91040394