机器学习方法篇(13)------KKT条件

● 每周一言

实现目标的最大敌人，是时间。

导语

上一节讲了带等式约束条件的拉格朗日乘子法，本节讲讲带不等式约束条件的函数凸优化方法——KKT条件，为之后深入讲解SVM做准备。

KKT条件

任何不等式约束条件的函数凸优化问题，都可以转化为约束方程小于0且语义不变的形式，以便于使用KKT条件。和上节一样，我们通过一个简单的例子来讲解KKT条件的使用方法。

有如下不等式约束的凸优化问题，求解f的最小值：

转化为约束方程小于(或小于等于)0且语义不变的条件如下：

上节说到KKT条件是拉格朗日乘子法的加强版，这个加强版的拉格朗日公式如下：

其中，g是不等式约束方程，h是等式约束方程。对于上式函数的凸优化问题，KKT条件一共包含三个条件：
1. L对x的一阶导数为0；
2. h(x) = 0；
3. α·g(x) = 0，α ≥0。

对于第1个条件，就是我们上一节所讲的拉格朗日乘子法；第2个条件，可以作为等式约束条件的语义来理解；而对于第3个条件，言下之意是要么α为0，要么函数g为0。根据加强版的拉格朗日公式，可以写出如下式子：

根据KKT条件的第1条，f对x1、x2求偏导，得到：

根据KKT条件的第3条，则可以得到：

接下来就只需要枚举讨论这第3个条件中α和g为0的情况了。这种组合情况一共有4种：α1与α2等于0，α1与g2等于0，α2与g1等于0，g1与g2等于0。

分别计算以上四种情况发现，只有g1与g2等于0满足原方程的解。需要特别注意的是，由于原不等式约束条件是小于，而开口条件存在无限接近的情况，才使得这里的g1和g2可以取0。

以上便是KKT条件的讲解。关于条件的深入证明，有兴趣的读者可以自行查阅资料。敬请期待下节内容。

文中举例来源：http://blog.csdn.net/on2way/article/details/47729419

结语

感谢各位的耐心阅读，后续文章于每周日奉上，敬请期待。欢迎大家关注小斗公众号 对半独白！