如何推导最小二乘法，求解多元线性回归参数？

本文主要内容：
1. 最小二乘法损失函数求解推导；
2. sklearn中linear_model.LinearRegression参数介绍+案例

最小二乘法的思路：对损失函数求导，令其为0，求得损失函数最小值时的参数，但前提条件：导数为凸函数。

多元线性回归参数求解是一个矩阵求导的过程，所以需要知道一些矩阵运算、求导运算的公式：

 然后对多元线性回归的损失函数进行求导，公式如下：（其中w、y、X都是矩阵） 

令其为0： 

其中倒数最后一步需要左乘（X^TX）^-1。

 补充点：

1. 逆矩阵存在的充分必要条件：特征矩阵不能存在多重共线性。

2. 因为X^TX随着特征、数据量的增加，计算量很大，不能直接使用numpy计算，需要使用奇异值分解来计算。

奇异值分解在PCA中也涉及使用。

在PCA中，为了找到新的特征空间，需要使用奇异值分解来计算。 在sklearn.decomposition.PCA中，使用参数svd_solver来控制奇异值计算方法，可以使用full（精准）/arpack（截断）/randomized（随机）/auto。

3. 最小二乘法求解线性回归属于“无偏估计”，即要求标签必须是正态分布，所以需要对y进行正态处理，可以使用quantileTransformer或者PowerTransformer。不过因为机器学习为“后验方式”，如果不对y进行处理的效果好，那么也不必正态处理。

• fit_intercept：是否有截距项，默认True；
• normalize：对X进行标准化，默认True；
• copy_X：是否复制一份，以保证不在原始数据上操作，默认True；
• n_jobs：设定运算性能，填整数，默认None；
• model.coef_ ：查看系数，即w
• model.intercept_ ：查看截距项

from sklearn.datasets import fetch_california_housing as fch

housevalue=fch()

X=pd.Dataframe(housevalue.data,columns=housevalue.feature_names)
X.head()
y=housevalue.target

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=9)

from sklearn.linear_model import LinearRegression
model=LinearRegression().fit(X_train,y_train)
y_hat=model.predict(X_test)
y_hat

model.coef_ # 返回模型的参数
[*zip(X_train.columns,model.coef_)]

model.intercept_ # 返回模型的截距项