What & How & Why

您在这里: start » math » linear_algebra » matrix_engineers » week3

差别

这里会显示出您选择的修订版和当前版本之间的差别。

到此差别页面的链接

两侧同时换到之前的修订记录前一修订版
后一修订版		前一修订版
math:linear_algebra:matrix_engineers:week3 [2024/01/10 14:23] – [Normal Equation] codingharemath:linear_algebra:matrix_engineers:week3 [2024/02/02 06:27] (当前版本) – [The Least-squares problem] codinghare
行 459: 行 459:
 \] \]
 很明显，这是一个 linear system。在这个 Linear system 中，$x$, $y$ 都是已知的，而 $\beta_0, \beta_1$ 是未知的。因此可以做下面的变型： 很明显，这是一个 linear system。在这个 Linear system 中，$x$, $y$ 都是已知的，而 $\beta_0, \beta_1$ 是未知的。因此可以做下面的变型：
 +\\ \\ 
 {{ :math:linear_algebra:matrix_engineers:least_problem_axb.svg?200 |}} {{ :math:linear_algebra:matrix_engineers:least_problem_axb.svg?200 |}}
 \\ \\  \\ \\ 
行 476: 行 477:
 \end{align} \end{align}
 \] \]
-由于 $b_{proj_{col(A)}}$ 是在 $col(A)$ 的投影，那么 $ b -b_{proj_{col(A)}$ 显然垂直于 $col(A)$。而通过基础空间之间的关系可知，$col(A) =$row(A^T)$。而 row space 恰好又与对应的 null space 互相垂直（互为 Orthagonal completement），因此： +由于 $b_{proj_{col(A)}}$ 是在 $col(A)$ 的投影，那么 $ b -b_{proj_{col(A)}}$ 显然垂直于 $col(A)$。而通过基础空间之间的关系可知，$col(A) =row(A^T)$。而 row space 恰好又与对应的 null space 互相垂直（互为 Orthagonal completement），因此： 
-  * $ b -b_{proj_{col(A)}$ 与 $col(A)$ 垂直，因此与 $row(A^T)$ 垂直 +  * $ b -b_{proj_{col(A)}}$ 与 $col(A)$ 垂直，因此与 $row(A^T)$ 垂直 
-  * 也就是说， $b -b_{proj_{col(A)}$ 属于 $null(A^T)$+  * 也就是说， $b -b_{proj_{col(A)}}$ 属于 $null(A^T)$
  
-现在我们对 $Ax=b$ 的两边同时乘以 $A^T$：可得到：+现在我们对 $Ax=b$ 的两边同时乘以 $A^T$。由于 $A^Tb_{proj_{col(A)}}$ 属于 $null(A^T)$，因此该分量与 $A^T$ 的乘积为 $0$。由此可以得到以下的推论： 
 +\\ \\  
 +\[ 
 +\begin{align*} 
 +A^TAx & = A^Tb_{proj_{col(A)}} + A^T(b -b_{proj_{col(A)}})\\ 
 +&=A^Tb_{proj_{col(A)}} 
 +\end{align*}  
 +\] 
 +记作：
 >$$ >$$
 A^TAx=A^Tb A^TAx=A^Tb
 $$ $$
-<WRAP center round box 60%>+<WRAP center round box 100%>
 这个公式被称为 //Normal Equation//，是计算 Best fit line 的重要手段。 这个公式被称为 //Normal Equation//，是计算 Best fit line 的重要手段。
 </WRAP> </WRAP>
-将 $b$ 以分量的形式表示；由于 $A^T(b -b_{proj_{col(A)}$ 属于 $null(A^T)$，因此该分量与 $A^T$ 的乘积为 $0$。由此可以得到以下的推论：+==Projection matrix== 
 +当 $col(A)$ 中的向量是线性无关的时候，$A^TA$ 的结果是一个方阵，是可逆的。因此，对 //Normal Equation// 可以做出进一步的变形： 
 +\\ 
 \[ \[
 \begin{align*} \begin{align*}
-A^TAx & = A^Tb_{proj_{col(A)}} + A^T(b -b_{proj_{col(A)}})\\ +&A^TAx  = A^Tb \\ 
-&=A^Tb_{proj_{col(A)}} +\Rightarrow &x  = (A^TA)^{-1}A^Tb \\ 
-\end{align*} +\Rightarrow &Ax = {\color{Red} A(A^TA)^{-1}A^T} b = b_{proj_{Col(A)}} 
 +\end{align*}
 \] \]
 +标红的部分被称为 //Projection matrix//。该矩阵将 $b$ 投影到 $Col(A)$ 上。
 +==利用 normal equation 计算 best fit line==
 +//假设有数据点：$(1,1), (2,3),(3,2)$，求过这几点的 best fit line。//\\ \\ 
 +首先，根据数据点，以 $y = \beta_0 + \beta_1x$ 为模板，建立 linear system。通过 linear system 确定 $A$：
  
 +\[
  
 +\begin{pmatrix}
 +  1&1 \\
 +  1& 2\\
 +  1&3
 +\end{pmatrix}
 +\begin{pmatrix}
 +\beta_0\\
 +\beta_1
 +
 +\end{pmatrix}
 +=
 +\begin{pmatrix}
 + 1\\
 + 3\\
 +2
 +\end{pmatrix}
 +\]
 +将 $A$ 带入 normal equation：
 +\[
 +\begin{pmatrix*}
 +  1&  1& 1\\
 +  1&  2&3
 +\end{pmatrix*}
 +\begin{pmatrix*}
 +  1&1 \\
 +  1& 2\\
 +  1&3
 +\end{pmatrix*}
 +\begin{pmatrix*}
 +\beta_0\\
 +\beta_1
 +
 +\end{pmatrix*}
 +=
 +\begin{pmatrix*}
 +  1&  1& 1\\
 +  1&  2&3
 +\end{pmatrix*}
 +\begin{pmatrix*}
 + 1\\
 + 3\\
 +2
 +\end{pmatrix*}
 +\]
 +\\ 
 +计算后得到关于 $\beta_0$ 和 $\beta_1$ 的 linear system。此时的未知数与等式数量相同，因此可以求解：
 +\\ 
 +\[
 +\begin{pmatrix*}
 + 3 &6 \\
 + 6 &14
 +\end{pmatrix*}
 +\begin{pmatrix*}
 +\beta_0\\
 +\beta_1
 +
 +\end{pmatrix*}
 +=
 +\begin{pmatrix*}
 + 6\\
 +13
 +\end{pmatrix*}
 +
 +\]
 +\\ 解得 $\beta_0 = 1$，$\beta_1 = 1/2$，因此得到的直线方程为 $y = 1 + 1/2 * x$
  • 最后更改: 2024/01/10 14:23
  • ©2022 YGwiki.com