这里列下最小二乘的四种解法的优缺点．

最小二乘问题可以使用牛顿法，梯度下降法，牛顿高斯法以及列文伯格-马夸特法来求解，这里一一介绍下其优缺点．

牛顿法（分为一阶牛顿法和二阶牛顿法）

一阶牛顿法的推导过程

• 求解步骤
  一阶牛顿求根．通过迭代法求解方程根的数值求解方法．其求根的一般步骤是：

1. 选择一个初始猜测值 x₀，这个值应该接近方程的一个根。
2. 根据方程和初始猜测值，计算函数 f(x₀) 和导数 f'(x₀)。
3. 使用以下公式进行迭代计算：
x₁ = x₀ - (f(x₀) / f'(x₀))
4. 将 x₁ 作为新的猜测值，并重复步骤 2 和 3，直到满足停止条件。停止条件可以是达到预定的迭代次数，或者函数值的变化很小（收敛到方程的根）。
5. 最终得到的 x 值就是方程的一个近似根。

牛顿法的迭代公式可以通过使用泰勒展开来推导得出。假设我们要解方程 f(x) = 0，使用牛顿法的迭代公式如下：

1. 选择一个初始猜测值 x₀。
2. 根据初始猜测值 x₀，使用泰勒展开将方程 f(x) 在 x₀ 处展开，考虑到一阶导数：
f(x) ≈ f(x₀) + f'(x₀)(x - x₀)
3. 希望找到一个新的近似解 x₁，使得 f(x₁) = 0。将上述展开式中的 x 替换为 x₁：
0 ≈ f(x₀) + f'(x₀)(x₁ - x₀)
4. 将 x₁ 作为新的近似解，即令 f(x₁) = 0，我们可以解出 x₁：
x₁ = x₀ - (f(x₀) / f'(x₀))

这就是牛顿法的迭代公式。通过不断迭代使用该公式，我们可以逐步逼近方程的根。每次迭代，我们通过计算函数值和导数值来更新当前的近似解。

二阶牛顿法推导

二阶牛顿法（Second-Order Newton’s Method），也称为牛顿-拉夫逊法（Newton-Raphson method），是用于数值求解非线性方程或优化问题的迭代方法。下面是二阶牛顿法的推导过程：

1. 假设我们要求解方程 f(x) = 0，其中 x 是一个变量。
2. 初始猜测值：选择一个初始猜测值 x₀。
   泰勒展开：在当前猜测值 x₀ 处对函数 f(x) 进行二阶泰勒展开：
   f(x) ≈ f(x₀) + f’(x₀)(x - x₀) + 0.5 * f’‘(x₀)(x - x₀)²
   其中，f’(x₀) 表示 f(x) 对 x 在 x₀ 处的一阶导数，f’'(x₀) 表示 f(x) 对 x 在 x₀ 处的二阶导数。
3. 近似根的计算：我们希望找到一个新的近似根 x₁，使得 f(x₁) = 0。将上述展开式中的 x 替换为 x₁：0 ≈ f(x₀) + f’(x₀)(x₁ - x₀) + 0.5 * f’'(x₀)(x₁ - x₀)²
4. 求解近似根：将上述方程化简为形式为 g(x₁) = 0 的方程，其中 g(x₁) 表示近似根 x₁ 的函数表达式。对 g(x₁) 求导，并令导数为零，可以解出 x₁ 的值。具体计算如下：
   对上述方程两边求导数：
   g’(x₁) = f’(x₀) + f’‘(x₀)(x₁ - x₀)
   令 g’(x₁) = 0，解得：
   x₁ = x₀ - f’(x₀) / f’'(x₀)
5. 更新猜测值：将 x₁ 作为新的猜测值，重复步骤 2 至 4，直到满足停止条件（例如达到预定的迭代次数或函数值的变化很小）。
   最终得到的 x 值就是方程 f(x) = 0 的一个近似根。

梯度下降法

批量梯度下降（Batch Gradient Descent）、随机梯度下降（Stochastic Gradient Descent）或者小批量梯度下降（Mini-batch Gradient Descent）

最小二乘定义

假设有误差函数f(x), 则对于目标函数$min(F(x))=1/2||f(x)|{|}^2$, 如果容易求导，那么F(x)一阶导为０处可能为解．但实际应用场景复杂时，是很难求一阶导的，这时要用迭代法进行求解．
流程如下：

可以看出，整个迭代过程只和误差函数f(x)有关，企图通过每次局部小的迭代实现目标函数的最小解．下面介绍的迭代法最大的区别就是求解$\delta x$的不同．
如果用高斯法和梯度下降法求解，需要求Ｈ，太过复杂，这里就引出了高斯牛顿法．

高斯牛顿法

针对最小二乘场景目标函数$min(F(x))=1/2||f(x)|{|}^2$，如果直接用梯度下降法求解，那就不可避免的求解f(x)的海森矩阵，但是最小二乘问题可以做下简化来避免H矩阵的求解．简化后可以通过求解伪H矩阵来完成优化工作．

列文伯格-马夸特法

在高斯牛顿法基础上引入了信赖域概念．

参考链接：
https://zhuanlan.zhihu.com/p/113946848