最小二乘法的实现与线性回归的应用

1. 简介

简单线性回归中，您有一个因变量y和一个自变量X。该模型可以表示为：

$$y=mx+b$$

其中

• $x$: 自变量
• $y$: 因变量
• $m$: 斜率
• $b$: 截距

最小二乘法是回归分析中用于估计线性回归模型参数的标准方法。它可以最小化误差的平方和，从而找到数据的最佳拟合直线。

在这里，误差是实际值和预测值之间的差异。实际值是观察到的值，而预测值是模型的估计值。

在这里，我们将使用最小二乘法来估计线性回归模型的参数。我们将使用以下公式来计算回归系数：

$$ssh=\sum _{i=1}^n(y_i-(m{x}_i+b){)}^2$$

根据链式法则，我们可以计算偏导数：

链式法则：

$$\frac{\partial }{\partial x}[f(g(x))]=f^{\prime }(g(x))\cdot g^{\prime }(x)$$

公示得出，复合函数的导数等于外函数的导数乘以内函数的导数。

设：$u=y_i-(m{x}_i+b)$

所以：

$$\frac{\partial }{\partial x}[f(g(x))]=u^2\cdot (y_i-(m{x}_i+b))$$

导数规则：

• 常数：$f(x)=c$的导数为0
• 幂规则：$f(x)=x^n$的导数为$n{x}^{n-1}$
• 乘法常数规则：$f(x)=c\cdot g(x)的导数为c\cdot g^{\prime }(x)$
• 和差规则：$f(x)=g(x)\pm h(x)$的导数为$g^{\prime }(x)\pm h^{\prime }(x)$
• 乘法规则：$f(x)=g(x)\cdot h(x)$的导数为$g^{\prime }(x)\cdot h(x)+g(x)\cdot h^{\prime }(x)$
• 链式法则：$f(x)=g(h(x))$的导数为$g^{\prime }(h(x))\cdot h^{\prime }(x)$

因为是二次方，所以使用幂规则：（$u^2$的导数为$2u$）

$$\frac{\partial }{\partial m}=2u\cdot (-x_i)$$

$$\frac{\partial }{\partial m}=-2x_i\cdot (y_i-(m{x}_i+b))$$

因为0的0次方等于1，所以：

$$\frac{\partial }{\partial b}=-2u\cdot 1$$

$$\frac{\partial b}{\partial b}=-2(y_i-(m{x}_i+b))$$

我们可以通过求导数来找到最小值。我们将导数设置为0，然后解出m和b。

$$\frac{\partial ssh}{\partial m}=-2\sum _{i=1}^n{x}_i(y_i-(m{x}_i+b))=0$$

$$\frac{\partial ssh}{\partial b}=-2\sum _{i=1}^n(y_i-(m{x}_i+b))=0$$

$$\sum _{i=1}^n{x}_i(y_i-(m{x}_i+b))=0$$

$$\sum _{i=1}^n(y_i-(m{x}_i+b))=0$$

$$\sum _{i=1}^n{x}_i{y}_i-m\sum _{i=1}^n{x}_i^2-b\sum _{i=1}^n{x}_i=0$$

$$\sum _{i=1}^n{y}_i-m\sum _{i=1}^n{x}_i-nb=0$$

接下来，我们将解出m和b。

关于b的方程：

$$nb=\sum _{i=1}^n{y}_i-m\sum _{i=1}^n{x}_i$$

$$b=\frac{{\sum }_{i=1}^n{y}_i-m{\sum }_{i=1}^n{x}_i}{n}$$

关于m的方程：

我们已知b的值，所以我们可以将其代入方程中：

$$\sum _{i=1}^n{x}_i{y}_i-m\sum _{i=1}^n{x}_i^2-\frac{{\sum }_{i=1}^n{y}_i-m{\sum }_{i=1}^n{x}_i}{n}\sum _{i=1}^n{x}_i=0$$

乘n消除分母：

$$n\sum _{i=1}^n{x}_i{y}_i-mn\sum _{i=1}^n{x}_i^2-(\sum _{i=1}^n{y}_i-m\sum _{i=1}^n{x}_i)\sum _{i=1}^n{x}_i=0$$

$$n\sum _{i=1}^n{x}_i{y}_i-mn\sum _{i=1}^n{x}_i^2-\sum _{i=1}^n{y}_i\sum _{i=1}^n{x}_i+m\sum _{i=1}^n{x}_i\sum _{i=1}^n{x}_i=0$$

$$n\sum _{i=1}^n{x}_i{y}_i-mn\sum _{i=1}^n{x}_i^2-\sum _{i=1}^n{y}_i\sum _{i=1}^n{x}_i+m(\sum _{i=1}^n{x}_i{)}^2=0$$

得出mn的方程：

$$mn\sum _{i=1}^n{x}_i^2-m(\sum _{i=1}^n{x}_i{)}^2=n\sum _{i=1}^n{x}_i{y}_i-\sum _{i=1}^n{y}_i\sum _{i=1}^n{x}_i$$

$$m(n\sum _{i=1}^n{x}_i^2-(\sum _{i=1}^n{x}_i{)}^2)=n\sum _{i=1}^n{x}_i{y}_i-\sum _{i=1}^n{y}_i\sum _{i=1}^n{x}_i$$

$$m=\frac{n{\sum }_{i=1}^n{x}_i{y}_i-{\sum }_{i=1}^n{y}_i{\sum }_{i=1}^n{x}_i}{n{\sum }_{i=1}^n{x}_i^2-({\sum }_{i=1}^n{x}_i{)}^2}$$

此时，我们已经得到了m和b的值。分别为：

$$m=\frac{n{\sum }_{i=1}^n{x}_i{y}_i-{\sum }_{i=1}^n{y}_i{\sum }_{i=1}^n{x}_i}{n{\sum }_{i=1}^n{x}_i^2-({\sum }_{i=1}^n{x}_i{)}^2}$$

$$b=\frac{{\sum }_{i=1}^n{y}_i-m{\sum }_{i=1}^n{x}_i}{n}$$

简写为：

$$m=\frac{n({\sum }_{}^{}xy)-({\sum }_{}^{}x)({\sum }_{}^{}y)}{n({\sum }_{}^{}{x}^2)-({\sum }_{}^{}x{)}^2}$$

$$b=\frac{{\sum }_{}^{}y-m({\sum }_{}^{}x)}{n}$$

我们可以使用这些公式来计算m和b的值。然后，我们可以使用这些值来计算预测值。

2. 代码实现

2.1 导入库

import numpy as np
import matplotlib.pyplot as plt

2.2 生成数据

x = np.array([1, 2])
y = np.array([2, 3])

2.3 计算m和b的值

n = len(x)
m = (n * np.sum(x * y) - np.sum(x) * np.sum(y)) / (n * np.sum(x ** 2) - np.sum(x) ** 2)
b = (np.sum(y) - m * np.sum(x)) / n
m,b

得出结果：

(1.0, 1.0)

2.4 计算预测值

根据线性回归模型：

$$y=mx+b$$

因为m和b的值都为1，所以：

$$y=x+1$$

假设x为3，那么y的值为：

$$y=3+1=4$$

3. 其他

你可以记录下来，然后使用这些公式来计算m和b的值。然后，您可以使用这些值来计算预测值。

我们使用的值比较简单，你可以尝试使用更多的值来计算m和b的值。不过，这些值必须是线性相关的。