全文共1794字，预计学习时长15分钟

图片来源：pexels.com

线性回归是资料科学中最简单也是最重要的算法。无论面试的工作领域是资料科学、资料分析、机器学习或者是量化研究，都有可能会遇到涉及线性回归的具体问题。要想熟练掌握线性回归，需要了解以下知识。

注：本文仅涉及理论而非程式码。

了解所做假设

本文假设读者对线性回归有一定了解，但在开始介绍之前还是要回顾下线性回归的公式和假设。假设现在有N个观察值，输出向量Y（维度为Nx1），p输入X1,X2,...,XP(每个输入向量维度都为Nx1) 。线性回归假设回归函式E（Y X）在输入中是线性的。因此，Y满足以下条件：

公式中ε代表误差。线性假设是线性回归中唯一必须的假设——稍后本文会新增更多假设以推断更多结果。

虽然以上公式似乎看上去简单，但要找到系数并不容易（β值）。我们将此称为带有‘^’的β值为系数估计值。

了解关键指标定义

以下是三个你必须要知道的指标（须牢记）：

· RSS是残差平方和。

公式中y_i是观察值i的输出值，ŷ_i则是观察值i的估计输出值。

· TSS是总平方和。

其中

· R2用于衡量X与Y之间的线性关系。

只要熟悉以上公式，就应该能通过逻辑推理推断出其他所有结果。

了解答案：如何（与何时）计算

之前谈到，线性回归的关键是找到估系数的估计值。系数可以通过最小化RSS获得。定义X和Y如下：

注意，这里在输入矩阵中添加了一列1，以便考虑截距beta_o。现在最小化问题等同解决：

所以我们能计算出正确项的梯度：

理论上的估计值（带有‘^’的β值）应该也与o相等。

若 X⊤X非奇异，显然答案为：

这是必须了解的公式，但你也应该有能力像上文那样证明该公式。此处非奇异假设是关键。我们也能推汇出y估计值的公式：

了解在Nx1维度（只有一个输入变数）时的明确答案也是有用的：

此处的x是向量（而非矩阵），如果已经有更一般的解决方法时，就会很容易记住：X⊤X是输入变数的方差（在一维空间中，倒数相当于除以该项），而X⊤y则是协方差项。也可以通过在一维空间做类似计算来得出答案。

对假设检验感到满意（假设存在正常误差）

面试中，了解一些关于线性规划的统计概念也很重要。

本部分假设读者了解统计测试值的基本知识（包括t值、F/f值和假设检验）。

假设存在以下正常误差，例如：

（不要忘记这里的ε是向量！）之后估计值满足以下条件：

因此：

得到以下结论：

此结果有助于计算系数beta_j为零的零假设：可以计算t值：

在零假设中，z_j服从自由度为N-p-1的t值(分布)，如果N足够大，则服从正态分布。

计算该值可帮你评估零假设。例如，高于1.96的t_j值可确保在5%的水平下beta_j系数不为空的显著性。

利用给定系数也可以计算置信区间：得出以下近似置信区间（1-2*alpha）：

使用标准正态曲线下面积来计算：

通过计算F值也可以检验以下假设，即所有系数均为零。

零假设服从F(p, N-p-1)的统计/分布量。因此F值较大也可用来反对零假设的证据。

附加1：为什么我们需要计算最小*方差？

当寻找β的最佳估计时，会自然地想到最小平方/二乘优化，但为什么呢？ 首先，可以证明最小二乘估计量是无偏的，即

实际上，有一个定理证明了最小二乘估计的方差最小 。这就是高斯马尔可夫定理 ：该定理显示，最好的无偏估计是最小二乘法。

附加2：如果X⊤X非满秩怎么办？

首先要了解何时会有非满秩矩阵。要记住x是在(N,p+1)维度，X⊤X则在(p+1,p+1)。可以看到，只有在X的秩为p+1的情况下，X⊤X为满秩，从而迫使N必须大于p。

如果不是这种情况（引数多于观察值），可以用缩减技术，例如岭回归。实际上，当我们在 X⊤X 的对角线上新增一个项时，问题就变得可行了。以岭回归举例 ：

得到解法：

的确，因为 X⊤X 为半正定矩阵，其特征值均为正，向对角线新增正项使其满秩，这样问题转化为非奇异。这也是为什么要在p>>N的情况下，使用正则化技术。

留言 点赞 关注

我们一起分享AI学习与发展的干货

欢迎关注全平台AI垂类自媒体 “读芯术”