1 预备知识
假定，我们对最小二乘法的代数解释已经确定无疑。为什么需要几何解释？答案是首先从数学概念上讲，存在这样的知识体系，需要把他们挖掘出来。其次，（出于实用目的）为了数值计算的需要。
要对最小二乘法做几何解释，首先要引入一个概念，就是子空间的“张成”：
1)有N维线性空间ΩN，从ΩN中抽取k（k<N)个线性无关向量s1,s2,...,sm,则对于任意线性组合a1s1+a2s2,...+aksk构成ΩN的子空间,称x1,x2,...,在ΩN张成的子空间；
举例解释：比如在三维空间中，任意两个非退化并线性无关向量可以张成一个平面，凡是能平铺在平面上的向量，均可以用这两个向量线性表出；
第二个要引入一个概念，就是所谓“最佳逼近元”：
2)对于凸集合M外一个点P，P到集合M的距离，就是P到“P在集合M的投影点S”的距离；其中S叫做P对M的最佳逼近元；
2 最小二乘法的一般解释
最小二乘法恰好是一个寻早最佳逼近元的过程；下面以图解释这个寻优过程：
[问题] 如图，对于给定数据集合Ω={Di} i:={1，2，3，4}，试给出它们的最佳直线模拟；
首先假定目标的直线方程为：y = Ax + B；A和B是待定系数；有了这个直线的表达式，就可以将误差的表达式写出：
E = ∑i（ yi - y ）2 ， i:={1，2，3，4}, [注解] yi是原始数据Di点的y坐标输入值，比如y2=0.98，y3 = 1.76等；
等价写法： E = ∑i（ yi - Axi - B ）2 ， i 属于 {1，2，3，4，5}
∂E/∂A = 2×∑i（yi - Axi - B）×（- xi ）= 0 （式1）
∂E/∂B = 2×∑i（yi - Axi - B）×（- 1 ）= 0 （式2）
这里通过（式1）和（式2）联立方程，消元法写出A和B的表达式，解出A和B，毫无几何意义可谈！
然而，本文要说的真正中心，从这里刚刚开始；让我们站在线性空间的立场，从原始输入数据开始，一步一步展开讨论；
3 最小二乘法的几何解释
原始数据的矩阵写法：（注意，一切运算结果，都出自这些原始数据，没有附加任何条件）
注意，原始数据是5个点，则X、Y就是5×1维，如果有N个原始数，X、Y就是N×1维向量，这一点须看清楚！因而下面讨论请把思维切换到N=5维的线性空间中；
对于y = Ax + B这个方程，将原始数据W的代入后：
显然，这是一组不相容方程组，这类方程看似无解，没有多大意义，其实不然！我们可以找到最佳的一组逼近系数（A，B）作为最后解；上述方程在五维空间中的表达如下：
在Y：=AX+BI中，“：=”这里表示“逼近”的意思；考察X和I两个向量：
X和I张成一个平面，这里起名为Sp平面； 注意：任何两个向量，只要超过1维，并且这两个向量不线性相关，就能张成一个平面（超平面）。
重复一下[最佳逼近投影定理] 如果有集合Ω和该集合外一点V，V到Ω的距离，就是V在Ω的投影V’到V的距离即：d(Ω,V) = d(V’,V);
所以，这里Y是Sp平面外的一点，Y’是Y在Sp的投影，Y到Sp的距离表示为D，如图：
在图中，Y’是具有桥梁作用的关键向量，首先：Y’在Sp平面内，因此它可以用X，I线性表示；其二：Y’是Y在Sp的投影，因此，D = Y-Y’垂直于X、I；
（Y-Y’）T . I = 0 和 （Y-Y’）T . X = 0
令W = [X，I]，（Y-Y’）T . W = O ， 其中O = [0，0] 表示零向量
C=[c1,c2]T, 以及Y' = Xc1 + Ic2，有：
（Y- Xc1 + Ic2）T . W = O ， 有（Y- WC）T . W = O，
=>WT（Y-WC） = 0；
=>WTY-WTWC = 0；
=>WTY = WTWC ；
=> C = (WTW)-1WTY
到此，将C求出，等价写法C=[A，B]，表明方程y = Ax + B中的系数A和B被矩阵解出。
4 结论
通过将二维平面上的二维回归问题，转化到N维线性空间中的不相容方程组的形式，在通过最佳逼近元原理将逼近系数通过向量变换解出，在数值计算中，有很大实际意义。