Начиная с постановки задачи регрессии гребня как
мин ∥ Хβ- у∥22+ λ ∥ x ∥22
Вы можете написать проблему как
min ∥ A β- б ∥22
где
A = [ Xλ--√я]
а также
б = [ у0] .
Матрица имеет полный ранг по столбцам из-за часть. Таким образом, проблема наименьших квадратов как единственное решениеAλ--√я
β^= ( АTА )- 1ATб
Записывая это с точки зрения и , и упрощая множество нулей, мы получаемИксY
β^= ( XTИкс+ λ I)- 1ИксTY
Ничто в этом выводе не зависит от того, имеет ли больше строк или столбцов, или даже от того, имеет ли полный ранг. Таким образом, эта формула применима к неопределенному случаю. ИксИкс
Это алгебраический факт, что для ,λ > 0
( ХTИкс+ λ I)- 1ИксT= ХT( ХИксT+ λ I)- 1
Таким образом, у нас также есть возможность использования
β^= ХT( ХИксT+ λ I)- 1Y .
Чтобы ответить на ваши конкретные вопросы:
Да, обе формулы работают как для неопределенного случая, так и для чрезмерно определенного случая. Они также работают , если меньше минимального числа строк и столбцов . Вторая версия может быть более эффективной для задач, которые не определены, потому что меньше, чем в этом случае. ранг (X)ИксИксИксTИксTИкс
Я не знаю какого-либо вывода альтернативной версии формулы, которая начинается с некоторой другой задачи с наименьшими квадратами и использует нормальные уравнения. В любом случае вы можете получить его прямым способом, используя немного алгебры.
Возможно, вы думаете о проблеме регрессии гребня в форме
мин ∥ β∥22
при условии
∥ Xβ- у∥22≤ ϵ .
Тем не менее, эта версия проблемы регрессии гребня просто приводит к той же самой проблеме затухающих наименьших квадратов .мин ∥ Хβ- у∥22+ λ ∥ β∥22