Linear Regression 中 Normal Equation 的推导

设 \(X\) 是训练数据组成的矩阵，每一行代表一条训练数据，每一列代表一种特征。设 \(Y\) 是训练数据的“正确答案”组成的向量，再设 \(\theta\) 是每种特征的权值组成的向量，linear regression 的目的就是通过让代价函数 \(J(\theta) = \frac{1}{2}(X\theta-Y)^T(X\theta-Y)\) 最小化，获得一个最优的 \(\theta\)，从而对新的数据做出正确的推断。

我们当然可以使用梯度下降法慢慢调整 \(\theta\)，使得代价函数下降，但我们还可以推导一个 normal equation，通过等式直接求出最优的 \(\theta\)。

Normal equation 的推导思想，就是让 \(\nabla_\theta J(\theta) = 0\)，从而解出最优的 \(\theta\)。这就要求代价函数是一个凸函数（因为凸函数的局部最优值就是全局最优值）。我们首先来看代价函数在什么情况下是凸函数。

代价函数为凸函数的条件

根据凸函数的定义，只有满足 \(f(tx+(1-t)y) \le tf(x) + (1-t)f(y)\quad (0 < t < 1)\) 时 \(f\) 才是凸函数。所以我们需要证明： $$J(t\theta_1 + (1-t)\theta_2) \le tJ(\theta_1) + (1-t)J(\theta_2)$$ 经过一番展开和化简之后，我们可以将证明的目标简化为： $$\theta_1^T(XTX)\theta_1 + \theta_2^T(XTX)\theta_2 \ge \theta_1^T(XTX)\theta_2 + \theta_2^T(XTX)\theta_1$$ 移项与合并后，我们发现，只需要满足：$$(\theta_1-\theta_2)^T(XTX)(\theta_1-\theta_2)\ge0$$ 代价函数就是凸函数。根据半正定矩阵的定义，只有 \((X^TX)\) 是半正定矩阵时，该不等式成立。而 \((X^TX)\) 很显然是半正定的，因为对于任意向量 \(a\)，我们都有 $$a^T(XTX)a = (Xa)^T(Xa) \ge 0$$

梯度的推导

我们接下来计算 \(\nabla_\theta J(\theta) = 0\) 成立时 \(\theta\) 的值。首先推导三个等式。

等式 1：\(\nabla_A\text{tr}(AB) = B^T\)

直接把矩阵的迹展开成矩阵元素的形式即可证明：$$\text{tr}(AB) = \sum_i\sum_ja_{i,j}b_{j,i}$$ $$\frac{\partial}{\partial a_{i,j}}\text{tr}(AB) = b_{j,i}$$ $$\nabla_A\text{tr}(AB) = B^T$$ 同理还能证明 \(\nabla_A\text{tr}(A^TB) = B\)

等式 2：\(\text{tr}(A_1A_2\dots A_n) = \text{tr}(A_nA_1A_2\dots A_{n-1})\)

我们先证明 \(\text{tr}(AB) = \text{tr}(BA)\)：$$\text{tr}(AB) = \sum_i\sum_ja_{i,j}b_{j,i} = \sum_j\sum_ib_{j,i}a_{i,j} = \text{tr}(BA)$$ 再证明原等式： $$\text{tr}(A_1A_2\dots A_n) = \text{tr}((A_1A_2\dots A_{n-1})A_n) = \text{tr}(A_nA_1A_2\dots A_{n-1})$$

等式 3：\(\nabla_A\text{tr}(ABA^TC) = CAB+C^TAB^T\)

网络上貌似有很多精巧的证明方法，不过我都不怎么懂- -，还是暴力展开比较实在：$$\text{tr}(ABA^TC) = \sum_i\sum_j\sum_k\sum_la_{i,j}b_{j,k}a_{l,k}c_{l,i}$$ $$\frac{\partial}{\partial a_{i,j}}\text{tr}(ABA^{TC)=\sum_k\sum_lb_{j,k}a_{l,k}c_{l,i}=(BA}TC)_{j,i}$$ $$\frac{\partial}{\partial a_{l,k}}\text{tr}(ABA^TC)=\sum_k\sum_la_{i,j}b_{j,k}c_{l,i}=(CAB)_{l,k}$$ 要注意矩阵 \(A\) 中元素的偏导会出现两次，例如与 \(a\_{1,2}\) 有关的偏导会在 \(i=1,j=2\) 时出现一次，还会在 \(l=1,k=2\) 时出现一次，所以我们要把两个偏导结果加起来，得到：$$\nabla_A\text{tr}(ABA^TC) = (BA^TC)T + CAB = CAB+C^TABT$$

有了以上三个等式，我们就可以推导梯度了。

首先把代价函数全部展开，获得：$$J(\theta) = \theta^TXTX\theta - \theta^TXTY - Y^TX\theta + Y^TY$$ 由于数值的迹等于自身，我们有：$$J(\theta) = \text{tr}(\theta^TXTX\theta - \theta^TXTY - Y^TX\theta + Y^TY)$$ $$= \text{tr}(\theta^TXTX\theta) - \text{tr}(\theta^TXTY) - \text{tr}(Y^TX\theta) + \text{tr}(Y^TY)$$ 我们把梯度加进去，由于最后一项和 \(\theta\) 无关，可以直接略去。有：$$\nabla_\theta J(\theta) = \nabla_\theta \text{tr}(\theta^TXTX\theta) - \nabla_\theta \text{tr}(\theta^TXTY) - \nabla_\theta \text{tr}(Y^TX\theta)$$ 对第一项和第三项使用公式 2：$$\nabla_\theta J(\theta) = \nabla_\theta \text{tr}(\theta\theta^TXTX) - \nabla_\theta \text{tr}(\theta^TXTY) - \nabla_\theta \text{tr}(\theta Y^TX)$$ 对第一项使用公式 3（令 \(A = \theta, B = I,C = X^TX\)，其中 \(I\) 是单位矩阵）：$$\nabla_\theta \text{tr}(\theta\theta^TXTX) = X^TX\theta + X^TX\theta = 2X^TX\theta$$ 对第二项和第三项使用公式 1：$$\nabla_\theta \text{tr}(\theta^TXTY) = X^TY$$ $$\nabla_\theta \text{tr}(\theta Y^TX) = X^TY$$ 所以 $$\nabla_\theta J(\theta) = 2X^TX\theta - 2X^TY = 0$$ $$X^TX\theta = X^TY$$ 这就是 normal equation。

若 \((X^TX)\) 为正定矩阵，则由正定矩阵的行列式大于 0 可知正定矩阵一定有逆矩阵，我们有 $$\theta = (X^TX)X^TY$$ 若 \((X^TX)\) 不可逆，似乎也可以用伪逆矩阵带入算出 \(\theta\)，不过我并不知道为什么这样是正确的...