优化算法-无约束优化

本文介绍了无约束优化问题及其常见的优化算法,包括直接法和迭代法。直接法适用于目标函数满足特定条件的情况,如岭回归。迭代法中详细讨论了梯度下降法、牛顿法和拟牛顿法中的BFGS算法,分析了各自的优缺点和应用场景。
摘要由CSDN通过智能技术生成

无约束优化的常见算法

无约束优化问题可以表示为:

$min_{\theta} L(\theta)$

其中目标函数 $L(\cdot)$ 是光滑的。如何针对不同的目标函数,不同的应用场景求解一个无约束优化问题是机器学习领域的关注点。

经典的优化算法可以分为直接法和迭代法两大类。

直接法

直接法,就是能够直接给出优化问题的最优解的方法,这种方法能够通过一个解析式直接求出对应的最优解。但是有一系列的约束使得这种方法并不能广泛适用。

直接法要求目标函数具有两个条件:

(1)$L{\cdot}$ 是凸函数,如果$L{\cdot}$ 是凸函数,则 $ \theta^{*}$ 是最优解的充分必要条件是 $L{\cdot}$ 在 $ \theta^{*}$ 处的梯度为 0。即

$\triangledown L(\theta^{*}) = 0$

(2)为了能够直接求解出 $ \theta^{*}$,需要上式有闭式解(解析解)。

而同时满足上述两个条件的经典的模型是岭回归(带正则化项的线性回归)&#

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值