最小二乘在直线拟合上的应用

在前一篇最小二乘的文章中：

线性代数 --- 投影与最小二乘 下(多元方程组的最小二乘解与向量在多维子空间上的投影)_松下J27的博客-CSDN博客多变量方程组的最小二乘，向量到多维子空间上的投影。https://blog.csdn.net/daduzimama/article/details/129559433?spm=1001.2014.3001.5501

我们知道了：1，正规方程， 2，计算最优解的方法，3，计算投影的方法

        在这篇文章中，我会从最小二乘在拟合直线上的应用开始，先是用实例来说明最小二乘的实际应用。紧接着，我会从这个例子出发，循序渐进的引出为什么我们希望A的列向量不仅仅是相互独立的，更希望他们是相互正交的。从而导出，如何令A的列向量彼此正交，这就是著名的Gram-Schmidt正交化。（需要再次重申的是，学习不是为了考试，不是为了背公式，更不需要题海战术，而是“知其(Gram-Schmidt)然，知其(Gram-Schmidt)所以然”）

拟合直线

        拟合直线可以说是最小二乘最好的应用之一。简而言之，就是用m>2个点(也可以说是m个观测点，及其所对应的m个数据)去拟合一条直线。

        对某个实验而言，如果他的实验结果是线性的，且没有任何实验误差，则两次实验的结果就能确定一条符合这一实验规律的直线b=C+Dt，而且后续所有的实验结果都应当落在这条直线上。假定现有m个实验结果，他们在横坐标上的值为,,...,，他们在纵坐标中所对应的值分别是,,...,。现在我们用方程=C+D表示一条穿过这些点的直线，得到如下方程组：

        如果m个实验结果都没有误差，则，上述方程组有解，且有唯一解C,D。但，如果实验结果有误差，则不可能找到一个完美的C,D，让这条直线穿过所有的点。这是一个(overdetermined system)超定方程组，m>2个方程，2个未知数，方程组无解。用矩阵来表示为：

        因实验结果的误差导致方程组无解，因此，我们只能找一条尽可能贴近所有点的直线。对于矩阵A而言，他有两个列向量，方程组无解，所以无法通过线性组合得到等式右端的列向量。在维持A的两个列向量不变的情况下，我们通过新的线性组合，，在A的列空间中找到了最接近向量b的向量p，即，b在A的列空间C(A)上的投影。

        同时，也最小化了每个点与直线之间的纵向误差，即，最小化。其中，。（但这不是我推崇的思维，应该优先考虑用投影的角度思考！）

方程左右两边同时乘以，得到“正规方程”：

(或,其中P为投影矩阵)

其中等式左边等于：

 等式右边等于：

最终得到：

 Example 1:

 如图，现有三个数据点分别是(注意，他们并不是等间隔的)：

 对应的方程组为：

 方程组无解，因为这三点不在一条直线上。通过求解最小二乘方程组，即，联立正规方程组，得到最优解：

 最终得到最优解为，,，最好的拟合直线为。

最小二乘法用在线上的点 p 替换不在线上的点 b！