情報科学 › 機械学習の数学 › 線形回帰と最小二乗法

計画行列と線形回帰モデル

定義 2.1(「線形回帰と最小二乗法」§2)

nn 個の観測 (xi,yi)(\boldsymbol{x}_i, y_i)、xi=(xi1,…,xid)T∈Rd\boldsymbol{x}_i = (x_{i1}, \dots, x_{id})^{\mathsf{T}} \in \mathbb{R}^d、yi∈Ry_i \in \mathbb{R} に対し、p=d+1p = d + 1 とおき

X=(1x11⋯x1d1x21⋯x2d⋮⋮⋮1xn1⋯xnd)∈Rn×p,y=(y1y2⋮yn)∈RnX = \begin{pmatrix} 1 & x_{11} & \cdots & x_{1d} \\ 1 & x_{21} & \cdots & x_{2d} \\ \vdots & \vdots & & \vdots \\ 1 & x_{n1} & \cdots & x_{nd} \end{pmatrix} \in \mathbb{R}^{n \times p}, \qquad \boldsymbol{y} = \begin{pmatrix} y_1 \\ y_2 \\ \vdots \\ y_n \end{pmatrix} \in \mathbb{R}^{n}

とする。XX を計画行列(design matrix)という。第 1 列は全成分が 11 のベクトル 1\boldsymbol{1} である。パラメータを w=(b,w1,…,wd)T∈Rp\boldsymbol{w} = (b, w_1, \dots, w_d)^{\mathsf{T}} \in \mathbb{R}^{p} とすると、nn 個の予測値はまとめて Xw∈RnX\boldsymbol{w} \in \mathbb{R}^n と書ける。これを線形回帰モデルという。

本文で読む(前後の説明と例)→

閉包の状態

定義

定義は閉包の起点です(証明を要しません)。

印の意味: ✓公理まで証明済み ・ △証明あり(閉包未完)・ ※主張のみ。テーマごとの集計は 閉包の状況。

これを使っている定理

証明で明示的に参照している定理は、まだありません。

関連するノック 1 問