摘要：最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具。最小二乘很简单，也在业界得到了广泛使用。
本文分享自华为云社区《最小二乘法介绍》，作者：Yan 。
最小二乘法是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具。最小二乘很简单，也在业界得到了广泛使用。
但是对于最小二乘法和它的故事，也许很多人并不了解，今天给大家做一下分享。
1801 年，意大利天文学家朱赛普·皮亚齐发现了第一颗小行星谷神星。经过 40 天的跟踪观测后，由于谷神星运行至太阳背后，使得皮亚齐失去了谷神星的位置。随后全世界的科学家利用皮亚齐的观测数据开始寻找谷神星，但是根据大多数人计算的结果来寻找谷神星都没有结果。
时年 24 岁的高斯也计算了谷神星的轨道。奥地利天文学家海因里希·奥伯斯根据高斯计算出来的轨道重新发现了谷神星。
高斯使用的最小二乘法的方法发表于 1809 年他的著作《天体运动论》中，而法国科学家勒让德于 1806 年独立发现“最小二乘法”，但因不为世人所知而默默无闻。
为了方便大家理解最小二乘法，给大家讲个故事。
假设身高是变量 X，体重是变量 Y，我们都知道身高与体重有比较直接的关系。生活经验告诉我们：一般身高比较高的人，体重也会比较大。但是这只是我们直观的感受，只是很粗略的定性的分析。
在数学世界里，我们大部分时候需要进行严格的定量计算：能不能根据一个人的身高，通过一个式子就能计算出他或者她的标准体重？
我们可以采样一批人的身高体重数据， (_x_1,_y_1),(_x_2,_y_2),⋯,(_xn_,_yn_)，其中 x 是身高，y 是体重。
生活常识告诉我们：身高与体重是一个近似的线性关系，用最简单的数学语言来描述就是 y = \beta_0+\beta_1x_y_=_β_0+β_1_x。
于是，接下来的任务就变成：怎么求出这个_β_0与_β_1呢？
为了计算_β_0,_β_1的值，我们采取如下规则：_β_0,_β_1应该使计算出来的函数曲线与观察值的差的平方和最小。用数学公式描述就是：
其中，y_{ie}yie_表示根据 y=\beta_0 + \beta_1x_y=_β_0+β_1_x 估算出来的值，y_i_yi_是观察得到的真实值。
这样，样本的回归模型很容易得出：
现在需要确定_β_0、_β_1，使 cost function 最小。大家很容易想到，对该函数求导即可找到最小值：
将这两个方程整理后使用克莱姆法则，很容易求解得出：
根据这个公式，只需要将样本都带入就可以求解出相应的参数。
如果我们推广到更一般的情况，假如有更多的模型变量 _x_1,_x_2,⋯,xm（注意：x_1_x_1是指 一个样本，_x_1 是指样本里的一个模型相关的变量)，可以用线性函数表示如下：
y(_x_1,⋯,xm;_β_0,⋯,_βm_)=_β_0+_β_1_x_1+⋯+βm__xm
对于 n 个样本来说，可以用如下线性方程组表示：
如果将样本矩阵 x_i^h_xih_记为矩阵 A,将参数矩阵记为向量\beta_β_，真实值记为向量 Y，上述线性方程组可以表示为：
即 A \beta = Y_Aβ_=Y
对于最小二乘来说，最终的矩阵表达形式可以表示为：
_min_∣∣_Aβ_−_Y_∣∣2
最后的最优解为：
β=(ATA)−1_ATY_
2021华为云 AI 实战营——华为云员工都在学的 AI 实战营，快来报名免费学习吧~
