打字猴:1.70053641e+09
1700536410 问题 机器学习中的优化问题,哪些是凸优化问题,哪些是非凸优化问题?请各举一个例子。
1700536411
1700536412 难度:★★☆☆☆
1700536413
1700536414 分析与解答
1700536415
1700536416 要回答这个问题,需要先弄明白什么是凸函数[9]。它的严格定义为,函数L(·)是凸函数当且仅当对定义域中的任意两点x,y和任意实数λ∈[0,1]总有
1700536417
1700536418
1700536419
1700536420
1700536421 (7.8)
1700536422
1700536423 该不等式的一个直观解释是,凸函数曲面上任意两点连接而成的线段,其上的任意一点都不会处于该函数曲面的下方,如图7.3所示。
1700536424
1700536425
1700536426
1700536427
1700536428 图7.3 凸函数示意图
1700536429
1700536430
1700536431 一个常用的机器学习模型,逻辑回归,对应的优化问题就是凸优化问题。具体来说,对于二分类问题,,假设模型参数为θ,则逻辑回归的优化问题为
1700536432
1700536433
1700536434
1700536435
1700536436 (7.9)
1700536437
1700536438 可以通过计算目标函数的二阶Hessian矩阵来验证凸性。令
1700536439
1700536440
1700536441
1700536442
1700536443 (7.10)
1700536444
1700536445 对该函数求一阶导,得到
1700536446
1700536447
1700536448
1700536449
1700536450 (7.11)
1700536451
1700536452 继续求导,得到函数的Hessian矩阵
1700536453
1700536454
1700536455
1700536456
1700536457
1700536458
1700536459
[ 上一页 ]  [ :1.70053641e+09 ]  [ 下一页 ]