最小二乘拟合（矩阵）

最小二乘公式

B=(XTX)−1XTY

其中，
B：n×1矩阵
X：m×n矩阵，输入变量/特征
Y：m×1矩阵，输出变量/目标变量
m：样本数
n：特征个数

推导：
given:XB=Y
→XTXB=XTY
→B=(XTX)−1XTY

为什么 XB=Y 不直接得出 B=X−1Y ?
答：因为X为m×n的矩阵，是不存在逆矩阵的。

Tips：
如果一个矩阵不是方阵，是不存在逆矩阵的 如果对其求逆，就是求它的伪逆
比如一个2×3的矩阵，它的伪逆矩阵就是一个3×2的矩阵，两者相乘之后得到2×2的单位矩阵

条件：
矩阵X必须是列满秩矩阵，否则XTX的逆就不会存在。

若A为m×n的矩阵，b为m×1的矩阵，则Ax=b表达了一个线性方程组，它的正规方程组（normal equation）的形式为ATAx=ATb。

当Ax=b有解时（即矩阵[A|b]的秩与A的秩相同），Ax=b与ATAx=ATb的解集是一样。

而当Ax=b无解时，ATAx=ATb仍然有解，其解集即最小二乘解（least squares solution），即使得(Ax−b)T(Ax−b)的值最小的解，可以理解为使方程组Ax=b近似成立且误差最小的解。

最小二乘法和梯度下降法

相同点：
1 、本质相同：两种方法都是在给定已知数据（因变量 & 自变量）的前提下对因变量算出出一个一般性的估值函数。然后对给定的新的自变量用估值函数对其因变量进行估算。
2、 目标相同：都是在已知数据的框架内，使得估算值与实际值的差的平方和尽量更小（事实上未必一定要使用平方），估算值与实际值的差的平方和的公式为：

error=J(θ)=∑i=1m(hθ(x(i))−y(i))2

其中，hθ(x)=∑ni=0θixi=θTX 为预测函数，θ=[θ0,θ1,...θn]T，X=[x0,x1,...xn]T，m为样本数，n为特征个数。

不同点：
1、实现方法和结果不同：

• 最小二乘法是直接对error求导找出全局最小，是非迭代法。
• 梯度下降法是一种迭代法，有一个学习的过程，先由给定参数计算一个error，然后向该error下降最快的方向调整参数值，在若干次迭代之后找到局部最小。
  梯度下降法的缺点是到最小点的时候收敛速度变慢，并且对初始点的选择极为敏感，其改进大多是在这两方面下功夫。

参考：

• http://blog.csdn.net/sunshine_in_moon/article/details/45797343

遇到的问题：

TypeError: No loop matching the specified signature and casting was found for ufunc solve1

【原因】：

矩阵运算前没有统一数据类型

【解决】：

X = X.astype(float)

参考：

• https://*.com/questions/36689080/error-solving-matrix-equation-with-numpy#

性质

• 可逆矩阵的秩等于阶数
• 可逆矩阵为满秩矩阵
• 奇异矩阵为降秩矩阵
• 当矩阵A的行列式|A|不等于0时，才存在可逆矩阵

计算可逆矩阵报错

• 检查矩阵是否可逆（行列式的值不为0或者为满秩矩阵）

from numpy.linalg import det, inv, matrix_rank
from scipy import ndim
ndim(A)          # ndim()：数组的维度
det(A)           # det()：行列式
matrix_rank(A)   # matrix_rank()：矩阵的秩
inv(A)           # inv()：矩阵的逆