R中的最小二乘优化 [英] Least square optimization in R

问题描述

我想知道如何解决R中的以下问题.

I am wondering how one could solve the following problem in R.

我们有一个 v 向量(包含 n 个元素)和一个 B 矩阵(维度为 mxn ) . 例如:

We have a v vector (of n elements) and a B matrix (of dimension m x n). E.g:

    > v 
    [1] 2 4 3 1 5 7

    > B
         [,1] [,2] [,3] [,4] [,5] [,6]
    [1,]    2    1   5    5    3    4
    [2,]    4    5   6    3    2    5
    [3,]    3    7   5    1    7    6

我正在寻找 m 个长向量 u 这样

I am looking for the m-long vector u such that

    sum( ( v - ( u %*% B) )^2 )

最小化(即最小化平方和).

is minimized (i.e. minimizes the sum of squares).

推荐答案

您正在描述线性回归，可以使用lm函数来完成:

You are describing linear regression, which can be done with the lm function:

coefficients(lm(v~t(B)+0))
#      t(B)1      t(B)2      t(B)3 
#  0.2280676 -0.1505233  0.7431653 

这篇关于R中的最小二乘优化的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！