【一】

线性回归直觉上的解释

得到Ein = mean(y - wx)^2

【二】

w的推导

Ein = 1/N || xw - y||^2

连续、可微、凸函数

在各个方向的偏微分都是0

Ein = 1/N (wTxTxw - 2wTxTy + yTy)

Ein := 1/N (wTaw - 2wTb + c)

向量求导，aw - b = 0

xTxw = xTy

w = (xTx)^-1(xTy)

xTx的维度为dxd, x是nxd, y是nx1

可定义为 w = x^{+} y

那么有yHat = xx^{+} y

hat matrix: xx^{+}, H

【三】

没有学习过程，close-form solution, No！

计算逆矩阵的过程就是在学习。只要Eout是好的，学习这件事情就已经发生了。

从另一个角度看Eout会很好：（第一角度：vc dimension）

之前vc的观点：某些点，现在的观点：平均

几何解释：

样本数量的维度，y是n维向量，x是d个n维向量，展开。

H算子的作用， 作用在y上，得到在x展开空间中的向量

（I - H）算子的作用，得到与x垂直的向量

trace(I-H) = n-d+1

可以认为Ein就是y-yHat，就是noise在垂直方向的投影，就等于（I-H）noise

Ein = 1/N ||y - yHat|| = 1 - (d+1)/n * noiseLevel

同理，Eout = 1/N ||y-yHat||  = 1 + (d-1)/n * noiseLevel

Ein 和 Eout的差距，2(d+1)/n

【四】

linear classification和linear regression的差别

EReg > ECls

EClsOut < EClsIn + c < ERegIn + c

因此一个lr解也是一个比较好的lc的解