Least Squares
Least Squares
最小絕對偏差法 Least absolute deviation
假設現在給你這些點

(圖源:wiki)
我們沒辦法用一條直線來通過這些全部的點,但我們可以像這樣找到誤差最小的直線:

(圖源:wiki )
這條直線可以幫助我們預測資料的方向
假設
這個方法稱作 minimax approach,我們還可以換個方法,找絕對偏差的最小值:
那我們要找最小值,也就是說我們要找到

這個方法叫做最小絕對偏差法(least absolute deviation),但問題是這兩條有絕對值,微分的處理很麻煩,所以下一個方法就出來了
最小平方法 Least Square
剛剛是因為絕對值微分很麻煩,所以這邊就把誤差平方:
這樣的話就解決了微分的問題,這樣一來不但微分好算,而且還是 convex 可以找到最佳解
正規方程式 Normal Equations
我們繼續找最小值,對上方的

然後我們可以推出(用克拉瑪):

這兩個等式就叫 normal equation
Polynomial Least Squares
然而妳拿到的資料很有可能不是一個用

藍線明顯比紅線更好的講述了這個資料的分布,要做出這種藍線,我們就需要用更高次方的多項式來表達他,這時就需要用 Polynomial Least Squares 了
我們假設
那我們要找到

那一樣對他偏微:

那我們就可以推出這樣:

用矩陣表示
我們的目的是找到一條線
寫成矩陣會像這樣:

但通常
那麼
證明:

這裡的
註:
那這個東西解起來就會像這樣:

因為我們拿到的資料通常都不會在平面
多維的 normal equation
多維代表不只有

那麼
自然對數相關
有時候資料的表示式可能是

基本上跟前面講的一樣