最小二乘法的证明以及最优化系数的求解 Least squares

定理：最小二乘法就是通过最小化误差的平方和寻找数据的最佳函数匹配，使得最后预测和真实值之差的平方的最小值最小

一、矩阵求导

∇Af(A) 代表的意思是：对于一个A矩阵（M x N）， ij系数满足 ∂f/∂Aij ，即对矩阵里的元素求导

For example ： 

A为一个2 x 2矩阵即

有函数f（X）

则根据上面对矩阵求导法则

二、矩阵的迹以及相关公式

我们规定，矩阵的迹为矩阵的对角线元素之和

（注：特别的，当矩阵为1 x 1位，它的迹就是它本身 ，tr A = A）

相关迹的公式：

（1）

（2）

（3）（3,4在记忆的时候，只需要把最后一个依次挪至前面即可）

（4）

（5）

（6）

相关矩阵求导的公式：

三、最小二乘法证明

1.我们仍旧是需要找到最相似的θ ，使J(θ)最小 （这里的J(θ)仍旧是方差最小值）

2.我们将已知数据集的输入部分X看做是一个M*N的数据集矩阵，将标签y看做M*1的矩阵 

     

3.我们仍旧使用前面根据线性回归的公式 ： hθ(x(i)) = (x(i))T θ ， 所以用Xθ - y 得到的就是一个矩阵形式的差值。 而在梯度下降里，得到的是每一行的差值

4.根据矩阵的定理：

就有：

也就印证了前面梯度下降法那里推导出来的公式

5.使用前面关于迹和矩阵求导的公式推导左边这个公式即可：

根据矩阵求导那里的（2），（3），把tr后的看为一个整体，对A的转置矩阵求导，得到的也都是转置后的结果

6.对其进行推导：

(注：第三行第一个运用了迹求导的（3），最后一个因为没有theta所以为0，中间两个运用了trA = trA^T , 将里面的看为一个整体A，就可以得到两个一模一样的) 

最优化的时候，导数为0，所以带入最终可得：