多元优化

正规方程(normal equations)

正规方程是对最小二乘问题的精确代数回答:给定一个超定系统——方程比未知数多、没有精确解——哪一组未知数取值最接近?它们就是为得到最佳最小二乘拟合而必须求解的线性方程组,直接由令平方误差的梯度为零而得。

把模型写成 A x = b,其中 A 是输入矩阵,x 是未知参数,b 是观测数据;因为没有精确解,我们最小化残差的平方,即 A x - b 的长度平方。对这个二次式求导并令梯度为零,得到 A 转置乘 A 乘 x = A 转置乘 b。这就是正规方程。正规这个名字是几何的:残差向量 A x - b 被弄得与 A 的列空间垂直(法向)——最佳拟合是数据在模型可达空间上的正交投影,剩下的误差以直角伸出。当 A 转置乘 A 可逆(A 的列线性无关)时,解唯一。

正规方程是贯穿科学的回归与数据拟合的脊梁。它诚实的提醒是数值上的:构造 A 转置乘 A 会把 A 的条件数平方,对病态问题可能严重放大舍入误差。因此,谨慎的软件通常不直接求解正规方程,而改用 QR 分解或奇异值分解——数学上答案相同,数值上稳定得多。然而,正规方程仍是理解最小二乘为何有效、以及最佳是在向什么投影的最清晰途径。

要让 y = m x + b 穿过诸点,正规方程化为两个方程:sum(x_i^2) m + sum(x_i) b = sum(x_i y_i) 与 sum(x_i) m + N b = sum(y_i),N 为点数。解这个 2 阶系统直接给出最佳拟合的斜率和截距。

最小二乘拟合归结为一个小线性系统——正规方程——可精确求解。

构造 A 转置乘 A 会把条件数平方,对病态数据可能毁掉精度;生产代码更偏爱 QR 或 SVD 求解,它给出相同的最小二乘答案,却有好得多的数值稳定性。

又称
least-squares normal equations法方程法方程