当前位置：首页 > news >正文

建筑公司网站模板/营销型网站建设目标

news 2025/8/9 20:20:58

建筑公司网站模板,营销型网站建设目标,wordpress播放下载,创建网站如何注册正规方程上一小节中，我们使用批量梯度下降算法，通过不断迭代以求得最佳参数θθ的值。本小节将介绍另一种方法——正规方程（The Normal Euqations）来计算出最佳参数θθ的值。在介绍正规方程法之前，我们先看看一些…

正规方程

上一小节中，我们使用批量梯度下降算法，通过不断迭代以求得最佳参数 $\theta$ 的值。本小节将介绍另一种方法——正规方程（The Normal Euqations）来计算出最佳参数 $\theta$ 的值。

在介绍正规方程法之前，我们先看看一些基本概念。

Matrix Derivatives

对于一个 $m * n$ 的矩阵到实数的函数映射 $f: R^{m * n} \mapsto R$ ，其关于 $A$ 的导数为：

\nabla_{A} f (A) = [\begin{matrix} \frac{\partial f}{\partial A_{11}} & \dots & \frac{\partial f}{\partial A_{1 n}} \\ ⋮ & ⋱ & ⋮ \\ \frac{\partial f}{\partial A_{m 1}} & \dots & \frac{\partial f}{\partial A_{m n}} \end{matrix}]

$\nabla_A f(A) = \left[ \begin{matrix} \frac{\partial f}{\partial A_{11}} & \dots & \frac{\partial f}{\partial A_{1n}} \\ \vdots & \ddots & \vdots \\ \frac{\partial f}{\partial A_{m1}} & \dots & \frac{\partial f}{\partial A_{mn}} \end{matrix} \right]$

其中 $A$ 为 $m * n$ 的矩阵。

便于理解，我们不妨假设矩阵 $A$ 为：

A = [\begin{matrix} A_{11} & A_{12} \\ A_{21} & A_{22} \end{matrix}]

$A = \left[ \begin{matrix} A_{11} & A_{12} \\ A_{21} & A_{22} \end{matrix} \right]$

函数映射 $f: R^{2 * 2} \mapsto R$ 为：

f (A) = 3 2 A 11 + 5 A 212 + A 21 A 22

$f(A) = \frac{3}{2}A_{11} + 5A_{12}^2 + A_{21}A_{22}$

根据上述公式，我们可得：

\nabla A f (A) = [3 2 A 22 10 A 12 A 21]

$\nabla_A f(A) = \left[ \begin{matrix} \frac{3}{2} & 10A_{12} \\ A_{22} & A_{21} \end{matrix} \right]$

对于 $n * n$ 矩阵A，我们将矩阵A对角线上元素的和定义为矩阵A的迹：

t r A = \sum i = 1 n A i i

$trA = \sum\limits_{i=1}^n A_{ii}$

其中若矩阵A为 $1 * 1$ ，即为一实数，则其迹为本身， $trA = A$ 。

一些常用性质如下：

t r A B = t r B A t r A B C = t r C A B = t r B C A t r A = t r A T t r (A + B) = t r (A) + t r (B) t r a A = a t r A

$trAB = trBA \\ trABC = trCAB = trBCA \\ trA = trA^T \\ tr(A+B) = tr(A) + tr(B) \\ traA = atrA \\$

结合矩阵导数的概念有如下性质：

\nabla A t r A B = B T \nabla A T f (A) = (\nabla A f (A)) T \nabla A t r A B A T C = C A B + C T A B T \nabla A | A | = | A | (A - 1) T (1) (2) (3) (4)

$\begin{align} \nabla_A trAB = B^T \tag{1} \\ \nabla_{A^T} f(A) = (\nabla_A f(A))^T \tag{2} \\ \nabla_A trABA^TC = CAB + C^TAB^T \tag{3} \\ \nabla_A |A| = |A|(A^{-1})^T \tag{4} \end{align}$

其中等式（1）要求 $AB$ 为方阵；等式（3）要求 $ABA^TC$ 为方阵；等式（4）要求矩阵A为非奇异矩阵，即可逆； $|A|$ 表示矩阵A的行列式。

Least Squares Revisited

好了，现在让我们开始介绍正规方程法，以找到最佳参数 $\theta$ 的值最小化代价函数 $J(\theta)$ 。

在给定训练集中，我们可构建一个维度为 $m * n$ 的矩阵 $X$ ，其中 $m$ 为样本个数， $n$ 为每个样本的特征变量个数。

X = [\begin{matrix} - (x^{(1)})^{T} - \\ - (x^{(2)})^{T} - \\ ⋮ \\ - (x^{(m)})^{T} - \end{matrix}]

$X = \left[ \begin{matrix} - \, (x^{(1)})^T \, - \\ - \, (x^{(2)})^T \, - \\ \vdots \\ - \, (x^{(m)})^T \, - \end{matrix} \right]$

同样，向量 $Y$ 为：

Y = [\begin{matrix} (y^{(1)})^{T} \\ (y^{(2)})^{T} \\ ⋮ \\ (y^{(m)})^{T} \end{matrix}]

$Y = \left[ \begin{matrix} (y^{(1)})^T \\ (y^{(2)})^T \\ \vdots \\ (y^{(m)})^T \end{matrix} \right]$

根据 $h_\theta(x^{(i)}) = (x^{(i)})^T\theta$ ，我们可得：

X θ - Y = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ (x (1)) T θ (x (2)) T θ ⋮ (x (m)) T θ ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ - ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ (y (1)) T (y (2)) T ⋮ (y (m)) T ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ = ⎡ ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ h θ (x (1)) - y (1) h θ (x (2)) - y (2) ⋮ h θ (x (m)) - y (m) ⎤ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥

$\begin{aligned} X\theta - Y &= \left[ \begin{matrix} (x^{(1)})^T\theta \\ (x^{(2)})^T\theta \\ \vdots \\ (x^{(m)})^T\theta \end{matrix} \right] - \left[ \begin{matrix} (y^{(1)})^T \\ (y^{(2)})^T \\ \vdots \\ (y^{(m)})^T \end{matrix} \right] \\ &= \left[ \begin{matrix} h_\theta(x^{(1)}) - y^{(1)} \\ h_\theta(x^{(2)}) - y^{(2)} \\ \vdots \\ h_\theta(x^{(m)}) - y^{(m)} \end{matrix} \right] \end{aligned}$

又因为对于向量 $z$ ，有 $z^Tz = \sum_{i}z_i^2$ 。故我们可得：

J (θ) = 1 2 (X θ - Y) T (X θ - Y) = 1 2 \sum i = 1 m (h θ (x (i)) - y (i)) 2

$J(\theta) = \frac{1}{2}(X\theta - Y)^T(X\theta - Y) = \frac{1}{2}\sum_{i=1}^m(h_\theta(x_{(i)}) - y^{(i)})^2$

所以，我们对代价函数 $J(\theta)$ 求偏导，可得：

\nabla θ J (θ) = 1 2 \nabla θ (θ T X T - Y T) (X θ - Y) = 1 2 \nabla θ (θ T X T X θ - θ T X T Y - Y T X θ + Y T Y) = 1 2 \nabla θ t r (θ T X T X θ - θ T X T Y - Y T X θ + Y T Y) = 1 2 \nabla θ (t r θ T X T X θ - 2 t r Y T X θ) = 1 2 (X T X θ + X T X θ - 2 X T Y) = X T X θ - X T Y (1) (2) (3) (4) (5) (6)

$\begin{align} \nabla_\theta J(\theta) &= \frac{1}{2}\nabla_\theta (\theta^TX^T - Y^T)(X\theta - Y) \tag{1} \\ &= \frac{1}{2}\nabla_\theta (\theta^TX^TX\theta - \theta^TX^TY - Y^TX\theta + Y^TY) \tag{2} \\ &= \frac{1}{2}\nabla_\theta tr(\theta^TX^TX\theta - \theta^TX^TY - Y^TX\theta + Y^TY) \tag{3} \\ &= \frac{1}{2}\nabla_\theta (tr\theta^TX^TX\theta - 2trY^TX\theta) \tag{4} \\ &= \frac{1}{2}(X^TX\theta + X^TX\theta - 2X^TY) \tag{5} \\ &= X^TX\theta - X^TY \tag{6} \end{align}$

其中等式（1）类似于完全平方展开得到等式（2）；等式（2）应用 $trA = A$ 得到等式（3）；等式（3）应用 $Y^TY$ 为实数，且实数的转置为其本身，从而得到等式（4）；等式（4）应用 $trAB = trBA$ ， $\nabla_AAB=B^T$ 和 $\nabla_A trABA^TC = CAB + C^TAB^T$ 得到等式（5）。