一元线性回归最小二乘法参数推导
时间: 2023-11-15 11:49:48 浏览: 120
一元线性回归的目标是找到一条直线来拟合数据,使得拟合线距离数据点的误差最小化。最小二乘法是一种常见的用来求解线性回归参数的方法。
假设我们有一组数据集合 {(x1, y1), (x2, y2), ..., (xn, yn)},其中 xi 是自变量,yi 是因变量。一元线性回归模型可以表示为 y = β0 + β1*x,其中 β0 和 β1 是待求的参数。
最小二乘法的目标是找到使得误差平方和最小化的参数值。我们定义误差 e = y - (β0 + β1*x),其中 e 是实际值与预测值之间的差异。我们将误差平方和定义为损失函数,即 L = ∑(e^2) = ∑((y - (β0 + β1*x))^2)。我们的目标是最小化损失函数 L。
为了求解最小二乘法的参数,我们需要对损失函数 L 进行优化。我们可以通过对 β0 和 β1 分别求导,令导数为 0,从而得到参数的闭式解。
首先对 β0 求导:
∂L/∂β0 = -2∑(y - (β0 + β1*x))
令导数为 0,得到:
∑y - n*β0 - β1*∑x = 0
解出 β0,得到:
β0 = (∑y - β1*∑x)/n
然后对 β1 求导:
∂L/∂β1 = -2∑x(y - (β0 + β1*x))
令导数为 0,得到:
∑xy - β0*∑x - β1*∑(x^2) = 0
将 β0 的值代入上式,得到:
∑xy - (∑y - β1*∑x)/n * ∑x - β1*∑(x^2) = 0
整理后可得:
∑xy - (∑x*∑y)/n = β1*(∑(x^2) - (∑x)^2/n)
解出 β1,得到:
β1 = (∑xy - (∑x*∑y)/n) / (∑(x^2) - (∑x)^2/n)
至此,我们得到了一元线性回归最小二乘法的参数推导。
阅读全文