最小二乘法（Ordinary Least Squares, OLS）——最经典的线性回归方法
原图来源：Chris Albon
场景：机器学习 / 统计学习 / 回归分析 / 数据建模入门
1. 什么是最小二乘法？
最小二乘法（Ordinary Least Squares, 简称 OLS）是统计学和机器学习中最常见的线性回归方法之一。
它的核心思想非常简单直白：
找一条最合适的直线，使得所有点到这条直线的“垂直距离”的平方和最小。
这条“最合适的直线”其实就是我们想要的模型。
2. 最小二乘法的数学表达式
图片中给出了最小二乘法的核心公式：
每个符号的含义：
| 符号 | 含义 |
|---|---|
| 模型预测值（拟合的结果） | |
| b | 截距（bias，偏置项） |
| 回归系数（参数） | |
| 自变量（特征、因子） | |
| e | 残差（误差，error） |
3. 最小二乘法的核心目标
目标是什么？
最小化所有样本的误差平方和（Residual Sum of Squares, RSS）
其中：
- 是真实值
- 是预测值
- n 是样本个数
这就是最小二乘（Least Squares）的名字来源： → 让残差平方和最小。
4. 最小二乘法的图示理解
图片中用非常直观的图展示了OLS的核心思想：
- 红色线 → 拟合的直线（预测值）
- 灰色点 → 真实的数据点
- 每个点到红色线的距离 → 残差
- 目标 → 让所有这些残差的平方和尽可能小
5. 最小二乘法为什么有效？
优点：
- 简单直观
- 数学基础扎实
- 计算方便（可直接求解公式）
- 适合作为建模的起点
适用场景：
- 自变量和因变量近似线性关系
- 数据噪声不大
- 特征维度不高
- 不存在严重多重共线性
6. 最小二乘法的局限性
| 局限 | 影响 |
|---|---|
| 对异常值敏感 | 离群点影响大 |
| 对线性假设依赖强 | 非线性关系拟合效果差 |
| 多重共线性问题 | 自变量之间强相关会影响结果 |
7. 最小二乘法的演变与扩展
最小二乘法是很多高级回归算法的基础，比如：
| 方法 | 思想 |
|---|---|
| 岭回归（Ridge Regression） | OLS + L2正则 |
| Lasso回归 | OLS + L1正则 |
| ElasticNet | OLS + L1 + L2 正则 |
| 广义线性模型（GLM） | OLS 的扩展 |
| 多项式回归 | 构造高阶特征进行拟合 |
8. 总结
最小二乘法是一种「简单但强大」的算法。
它是理解机器学习回归模型的基础，具有重要的理论与实战意义。
一句话总结：
通过最小化预测值和真实值之间误差的平方和，找到一条最适合数据的线。
9. 附：一句话记忆法
“最小二乘法 = 找到一条直线，让所有点到直线的距离平方和最小”
10. 推荐阅读与拓展
- 《统计学习方法》 李航
- 《机器学习实战》 Peter Harrington
- 《ISLR》An Introduction to Statistical Learning
- sklearn.linear_model.LinearRegression（Python 实现）
