最小二乘拟合，L1、L2正则化约束

最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

从维基百科中摘取的最小二乘的拟合曲线。

解法：其中Y为列向量，X为N*K的矩阵，W为K*1的行向量

虽说Matlab中有现成的拟合函数，但是，当有些正则化约束来限制W的取值时，就无法用拟合函数来实现。这时，需要我们自己写出求解的代码，才行。

 

与前面提到的相同，

下面公式中，X为N*K矩阵，Y为N维列向量，而W为K*1的行向量

 

无约束的线性最小二乘拟合：。解法

L1正则化约束的最小二乘拟合：，解法

L2正则化约束的最小二乘拟合：，解法

而相应的代码实在是太简单了，代码中，默认为1，而为常数项。

Matlab代码：

x=[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1;

195,189,193,162,189,182,211,167,176,154,169,166,154,247,193,202;

36,37,38,35,35,36,38,34,31,33,34,33,34,46,36,37;

50,52,58,62,46,56,56,60,74,56,50,52,64,50,46,62]

y=[60,60,101,37,58,42,38,40,40,250,38,115,105,50,31,120]

 

%无约束

K0=inv(x*x')*x*y'

%L1正则化约束

K1=inv(x*x')*(x*y'-0.5)

%L2正则化约束

K2=inv(x*x'+eye(4))*x*y'

 

执行结果：

 

K0 =125.6309   -1.6503   6.9934    0.0385

K1 =116.3166   -1.6595   7.2063    0.0984

K2 =6.4473  -1.7536    9.6298    0.8152

 

 

L1的正则化约束结果不是那么明显，但L2的正则化约束结果还是相当不错的！