Lecture 14: Least Squares Approximations and Orthonormal Bases
Based on Introduction to Linear Algebra by Gilbert Strang (opens in a new tab)
Least Squares Approximations
- memberikan proyeksi dari ke column space .
- Jika tidak memiliki solusi, maka memberikan solusi terbaik: minimal.
- Mengatur turunan parsial dari menjadi nol memberikan
- Untuk mencocokkan poin dengan garis lurus, harus memiliki kolom dan .
- Jika merupakan matriks maka
Dalam kasus tertentu, definisi tak resmi oleh Strang dapat membantu kita memahami konsep ini.
Jika tidak memilik solusi, kalikan dengan dan selesaikan !
Contoh
Tentukan garis terdekat dari titik-titik .
Jawab
Tidak ada garis lurus yang melewati ketiga titik tersebut. Kita berusaha mendekatinya dengan error terkecil.
Pertama, matriks dapat dirancang terlebih dahulu, persamaan memiliki sebagai kolom pertama dan sebagai kolom kedua.
Dilihat dari matriks dan , jelas tidak ada column space dari yang memberikan . Kita akan mencari proyeksi dari ke column space .
Didapatkanlah nilai yang merupakan proyeksi dari ke column space .
Persamaan yang paling mendekati ketiga titik tersebut adalah .
Orthonormal Bases and Gram-Schmidt
- Kolom orthonormal jika . Maka .
- Jika persegi, maka dan . adalah matriks ortogonal.
- Least square solution untuk adalah . Proyeksi dari : .
- Gram-Schmidt process mengubah kolom independen menjadi orthonormal . Dioperasikan dengan .
- adalah dibagi dengan panjangnya. .
- Setiap adalah kombinasi dari hingga . Maka : ortogonal dan upper triangular .
tidak harus berbentuk persegi.
Jika persegi, maka .
Rotasi
Permutasi
Matriks berikut mengganti urutan kolom.
Setiap matriks permutasi adalah matriks orthogonal (persegi yang orthonormal).
Refleksi
Jika adalah unit vektor apapun, set . Perhatikan bahwa adalah matriks namun adalah skalar sebesar . Maka dan sama dengan :
dan
Matriks tersebut simetris dan ortogonal, jika dikuadratkan maka akan menghasilkan identitas . Dicerminkan dua kali akan kembali ke posisi semula.
Rotasi, refleksi, dan permutasi menjaga panjang vektor. Sehingga perkalian apapun dengan matriks ortogonal tidak akan mengubah panjang vektor dan sudut antar vektor.
Proof:
Projections Using Orthonormal Bases
Solusi Least Square untuk adalah . Proyeksi dari : .
Transformasi: adalah pondasi untuk fourier series dan bentuk transformasi lainnya!
Contoh
Kolom dari matriks orthogonal adalah orthonormal vektor :
Proyeksi terpisah dari ke adalah:
Ingat bahwa .
The Gram-Schmidt Process
Dimulai dengan memilih independen vektor dan mengubahnya menjadi orthonormal . Caranya adalah dengan menguranginya dengan proyeksinya lalu dibagi dengan panjangnya.
Ambil contoh untuk 3 vektor independen .
Gram-Schmidt Process
-
Anggap vektor sebagai entri pertama yang sudah ortogonal, namun belum dinormalisasi. Anggap sebagai .
-
Pilih sebagai vektor berikutnya dan kurangi proyeksi ke dari itu sendiri.
-
Pilih sebagai vektor berikutnya dan kurangi proyeksi ke dan dari itu sendiri.
-
Normalisasi menjadi .
Contoh
Ada non-orthogonal vektor sebagai berikut:
-
-
Ambil nilai dengan mengurangi proyeksi ke dari itu sendiri.
nilai adalah:
nilai adalah:
Maka adalah:
-
Ambil nilai dengan mengurangi proyeksi ke dan dari itu sendiri.
nilai adalah:
nilai adalah:
nilai adalah:
Maka adalah:
Cek: , , .
-
Normalisasi menjadi .
Cek: , , .
Cek: , , .
Cek: .
Cek: .
Factorization
Pendahuluan dari Gram-Schmidt Process:
- Vektor terletak dalam suatu garis yang sama.
- Vektor terletak dalam bidang yang sama.
- Vektor terletak dalam ruang yang sama (dimensi 3).
Dalam setiap langkah, adalah kombinasi dari . Jika dihubungkan dengan hubungan diatas tadi dalam wujud matriks, akan didapatkan matriks upper triangular .
adalah Gram-Schmidt in nutshell. Kalikan dengan untuk mendapatkan .
Contoh
Jika matriks pada problem sebelumnya:
maka dan adalah:
Lihatlah bahwa panjang adalah dalam diagonal . Jika merujuk pada persamaan sebelumnya, maka:
Least Squares Solution untuk adalah atau .