Począwszy od sformułowania problemu regresji kalenicy jako
min∥Xβ−y∥22+λ∥x∥22
możesz napisać problem jako
min∥Aβ−b∥22
gdzie
A=[Xλ−−√I]
i
b=[y0].
Matryca ma pełnej kolumny powodu części. Zatem problem najmniejszych kwadratów jako unikalne rozwiązanieAλ−−√I
β^=(ATA)−1ATb
Pisząc to w kategoriach i , i upraszczając wiele zer, otrzymujemyXy
β^=(XTX+λI)−1XTy
Nic w tym wyprowadzeniu nie zależy od tego, czy ma więcej wierszy lub kolumn, a nawet od tego, czy ma pełną pozycję. Ta formuła ma zatem zastosowanie do nieokreślonego przypadku. XX
Algebraicznym faktem jest to, że dla ,λ>0
(XTX+λI)−1XT=XT(XXT+λI)−1
Mamy więc również możliwość korzystania
β^=XT(XXT+λI)−1y .
Aby odpowiedzieć na konkretne pytania:
Tak, obie formuły działają zarówno dla przypadku nieokreślonego, jak i przypadku nadmiernie określonego. Oni także praca jeśli jest mniejsza niż minimum liczbę wierszy i kolumn . Druga wersja może być bardziej wydajna w przypadku problemów, które nie są określone, ponieważ jest mniejszy niż w tym przypadku. rank(X)XXXTXTX
Nie znam żadnych pochodnych alternatywnej wersji formuły, która zaczyna się od jakiegoś innego problemu z najmniejszymi kwadratami i używa normalnych równań. W każdym razie możesz to uzyskać w prosty sposób, używając odrobiny algebry.
Możliwe, że myślisz o problemie regresji grzbietu w formie
min∥β∥22
z zastrzeżeniem
∥Xβ−y∥22≤ϵ.
Jednak ta wersja problemu regresji kalenicy po prostu prowadzi do tego samego problemu z tłumieniem najmniejszych kwadratów .min∥Xβ−y∥22+λ∥β∥22