机器学习之数学基础

最新推荐文章于 2024-04-08 08:00:00 发布

BCKou

最新推荐文章于 2024-04-08 08:00:00 发布

阅读量481

点赞数

分类专栏：数学基础机器学习文章标签：机器学习

本文链接：https://blog.csdn.net/loser_k/article/details/127624835

版权

机器学习同时被 2 个专栏收录

5 篇文章 2 订阅

订阅专栏

数学基础

2 篇文章 0 订阅

订阅专栏

机器学习之数学基础

机器学习所需的数学知识

微积分
线性代数
概率论
最优化方法

微积分知识

导数与求导公式
一阶导数与函数的单调性
一元函数极值判定法则
高阶导数
二阶导数与函数的凹凸性
一元函数泰勒展开
偏导数与梯度
高阶偏导数
雅克比矩阵
Hessian矩阵
多元函数泰勒展开
多元函数极值判定法则

线性代数

向量及其运算
矩阵及其运算
张量
行列式‘
二次型
特征值与特征向量
奇异值分解（SVD )
常用的矩阵与向量求导公式

概率论

随机事件与概率
条件概率与贝叶斯公式
随机变量
数学期望与方差
常用概率分布
随机向量
协方差与协方差矩阵
最大似然估计

算法或理论	用到的数学知识点
贝叶斯分类器	随机变量，贝叶斯公式，随机变量独立性，正态分布，最大似然估计
决策树	概率，熵，Gini系数
KNN算法	距离函数
主成分分析	协方差矩阵，散布矩阵，拉格朗日乘数法，特征值与特征向量
流形学习	流形，最优化，测地线，测地距离，图，特征值与特征向量
线性判别分析	散度矩阵，逆矩阵，拉格朗日乘数法，特征值与特征向量
支持向量机	点到平面的距离，Slater条件，强对偶，拉格朗日对偶，KKT条件，凸优化，核函数，Mercer条件
logistic回归	概率，随机变量，最大似然估计，梯度下降法，凸优化，牛顿法
随机森林	抽样，方差
AdaBoost算法	概率，随机变量，极值定理，数学期望，牛顿法
隐马尔可夫模型	概率，离散型随机变量，条件概率，随机变量独立性，拉格朗日乘数法，最大似然估计
条件随机场	条件概率，数学期望，最大似然估计
高斯混合模型	正态分布，最大似然估计，Jensen不等式
人工神经网络	梯度下降法，链式法则
卷积神经网络	梯度下降法，链式法则
循环神经网络	梯度下降法，链式法则
生成对抗网络	梯度下降法，链式法则，极值定理，Kullback-Leibler散度，Jensen-Shannon散度，测地距离，条件分步，互信息
K-means算法	距离函数
强化学习	数学期望，贝尔曼方程
贝叶斯网络	条件概率，贝叶斯公式，图
VC维	Hoeffding不等式

导数

导数几何意义：切线斜率；物理意义：速度

一阶导数在机器学习中用处：求极值–导函数为0；神经网络中的激活函数中求导，为了求极值。

导数与函数单调性的关系：一阶大于0为增

极值定理

导数与函数凹凸性的关系：二阶大于0位凹函数

一元函数泰勒展开：
$f(x)=f(x_0)+f^`(x_0)(x-x_0)+\frac{f^{``}(x_0)}{2!}(x-x_0)^2+...+\frac{f^{n}(x_0)}{n!}(x-x_0)^n+R_n(x)$
其中R(x)为拉格朗日余项。
$R_n(x)=\frac{f^{n+1}(\xi)}{(n+1)!}(x-x_0)^{n+1},\xi为x_0与x之间的某个值。$

在机器学习中用来求函数的极值。有时函数f(x)比较复杂，它的所有的导数都存在，不便于处理算它的极值，可以做它的近似：例如在梯度下降法中将函数展开成一次位置，忽略二次和二次以上的项，将其看成线性函数来近似代替f(x)。在牛顿法中，将函数展开到二次位置，用二次函数代替。

向量

向量几何意义：空间中的一个点；物理意义：速度或者力的矢量

n维行向量可以看做1 X n矩阵。（机器学习中向量一般写成行向量）

向量的内积

设有n维向量
$x=(x_1,x_2,...,x_n)^T,y=(y_1,y_2,...,y_n)^T, 令[x,y]=x^Ty=x_1y_1+x_2y_2+...+x_ny_n$
[x,y]称为向量x和向量y的内积。

当[x,y]=0时，向量x和向量y正交。即n维向量的夹角为九十度。
向量的范数

将一个向量变成一个标量。
$L_p=||x||_p=(\sum_{i=1}^n|x_i|^p)^{1/p}$

$L_1=||x||_1=\sum_{i=1}^n|x_i|$

$L_2=||x||_2=\sqrt{\sum_{i=1}^n|x_i|^2} 注：L_2为向量的模，即长度。$

当向量的长度为1时，称x为单位向量。
$若x\neq0，则称\frac{1}{||x||}x为x的单位向量。$
在解析几何中，曾引进向量的数量积x·y=|x||y|cos A,A为x,y的夹角

$当||x||\neq0,||y||\neq0,规定\Theta=arccos\frac{[x,y]}{||x||||y||} (0\leq\Theta\leq\pi),称为n维向量x与y的夹角。$

施密特（Schmidt）正交化过程
$设n维向量e_1,e_2,...,e_r,两两正交，且都是单位向量，则称e_1,e_2,...,e_r是一个标准正交向量组。$

$设n维向量组\alpha_1,\alpha_2,...,\alpha_r是线性无关向量组，将其化为标准正交向量组e_i,且e_i与\alpha_i等价。$

$\beta_1=\alpha_1;$

$\beta_2=\alpha_2-\frac{[\beta_1,\alpha_2]}{[\beta_1,\beta_1]}\beta_1;..........$

$\beta_r=\alpha_r-\frac{[\beta_1,\alpha_r]}{[\beta_1,\beta_1]}\beta_1-\frac{[\beta_2,\alpha_r]}{[\beta_2,\beta_2]}\beta_2-...-\frac{[\beta_{r-1},\alpha_r]}{[\beta_{r-1},\beta_{r-1}]}\beta_{r-1};$

将其单位化
$e_1=\frac{1}{||\beta_1||}\beta_1,e_2=\frac{1}{||\beta_2||}\beta_2,...,e_r=\frac{1}{||\beta_r||}\beta_r$
从而为标准正交向量组。

矩阵

对角矩阵：主对角线元素外其余元素全为0的方阵为对角矩阵，记为
$\Lambda=diag(\lambda_1,\lambda_2,...,\lambda_n)$
单位矩阵：主对角线上元素全为1的对角阵。

转置矩阵：将矩阵A的每一行换成同序数的列得到的新矩阵，称为A的转置矩阵。
$(A^T)^T=A;(A+B)^T=A^T+B^T;(\lambda A)^T=\lambda A^T;(AB)^T=B^TA^T$
可逆矩阵：对于给定的n阶方阵A，若存在一个n阶方阵B，满足AB=BA=E，则称矩阵A可逆，并称矩阵B为矩阵A的逆矩阵。

若矩阵A是可逆的，则A的逆矩阵唯一。
$A^{-1}=\frac{A^*}{|A|};(A^{-1})^{-1}=A;(\lambda A)^{-1}=\frac{1}{\lambda}A^{-1};(AB)^{-1}=B^{-1}A^{-1};(A^T)^{-1}=(A^{-1})^T$
相似矩阵：对于n阶方阵A,B,若存在可逆矩阵P，使
$P^{-1}AP=B,(进行n次初等行变换与B相等)$
则称B是A的相似矩阵，或者称矩阵A与矩阵B相似。

相似矩阵必等价；相似矩阵秩相同；相似矩阵有相同的行列式。

正交矩阵：若n阶方阵A满足
$A^TA=E(即A^{—1}=A^T),则称A为正交阵。$
若P为正交阵，则线性变换y=Px称为正交变换。

正交变换保持长度不变（即||y||=||x||)

行列式(方阵)

$|A|=\sum_{\sigma \in S_n}sgn(\sigma)\prod_{i=1}^{n}a_{i,\sigma(i)} ,其中sgn()为逆序数。$

$|AB|=|A||B|;|A^{-1}|=|A|^{-1};|\alpha A|=\alpha ^n|A|$

偏导数

偏导数反映的是函数沿坐标轴方向的变化率。
$f^`_{x_i}=\frac{\delta f}{\delta x_i}=\lim_{\Delta x\rightarrow 0}\frac{f(x_1,...,x_i+\Delta x_i,...,x_n)}{f(x_1,..,x_i,...,x_n)}$

高阶偏导数

高阶偏导数与求导次序无关
$\frac{\delta}{\delta y}(\frac{\delta z}{\delta x})=\frac{\delta ^2 z}{\delta x\delta y}=f_{xy}(x,y)$

方向导数

方向导数就是函数f在点p沿方向L的变化率。当L为坐标轴时，为特殊的方向导数，即偏导数。

梯度

$\nabla f(x)=(\frac{\delta f}{\delta x_1},\frac{\delta f}{\delta x_2},...,\frac{\delta f}{\delta x_n})^T\\ 一般写成列向量，故写成转置形式。$
应用于梯度下降法和牛顿法等。

梯度可以看成一元函数，它的导数对多元函数的推广。

对于多元函数，它的自变量有n个，它的梯度就是一个向量：它是f对其n个自变量x的偏导数构成的向量叫做梯度。一般表示为列向量。

梯度与方向向量的夹角a，

当a=0时，方向向量与梯度方向相同，函数f增长最快，此时，函数在这个方向的方向导数达到最大值，这个最大值就是梯度的模。

当a=PI，即方向向量与梯度方向相反，函数f减少最快，函数在这个方向的方向导数达到最小值。

当a=PI/2，方向向量与梯度方向正交，函数的变化率为0。

雅克比矩阵

一阶偏导数构成的矩阵。简化求导公式：简化对多元函数的求导。

应用于人工神经网络反向传播算法推导过程中。
$y=f(x);\quad y_i=f_i(x);\quad x为n维向量，y为m维向量$

$\left[\begin{matrix}\frac{\delta y_1}{\delta x_1}\quad \frac{\delta y_1}{\delta x_2}\quad...\quad\frac{\delta y_1}{\delta x_n}\\\\\frac{\delta y_2}{\delta x_1}\quad \frac{\delta y_2}{\delta x_2}\quad...\quad\frac{\delta y_2}{\delta x_n}\\\\...\quad...\quad...\quad...\\\\\frac{\delta y_m}{\delta x_1}\quad \frac{\delta y_m}{\delta x_2}\quad...\quad\frac{\delta y_m}{\delta x_n}\end{matrix}\right]$

$例：u=x^2+2xy+z\quad v=x-y^2+z^2\quad$

$\left[\begin{matrix}u\\v\end{matrix}\right]\quad \left[\begin{matrix}x\\y\\z\end{matrix}\right]$

$\left[\begin{matrix}2x+2y\quad 2x \quad 1\\\quad1\quad\quad -2y\quad 2z\end{matrix}\right]$

Hessian矩阵

是一个对称矩阵

针对多元函数来说，作用相当于一元函数的二阶导数。
$\left[\begin{matrix}\frac{\delta^2 f}{\delta x_1\delta x_1}\quad \frac{\delta^2 f}{\delta x_1\delta x_2}\quad...\quad\frac{\delta^2 f}{\delta x_1\delta x_n}\\\\\frac{\delta^2 f}{\delta x_2\delta x_1}\quad \frac{\delta^2 f}{\delta x_2\delta x_2}\quad...\quad\frac{\delta^2 f}{\delta x_2\delta x_n}\\\\...\quad...\quad...\quad...\\\\\frac{\delta^2 f}{\delta x_n\delta x_1}\quad \frac{\delta^2 f}{\delta x_n\delta x_2}\quad...\quad\frac{\delta^2 f}{\delta x_n\delta x_n}\end{matrix}\right]$

$例：f(x,y,z)=2x^2-xy+y^3-3z^2$

$\left[\begin{matrix}4\quad\quad-1\quad0\\-1\quad\quad2\quad\quad0\\\quad\quad0\quad\quad0\quad-6\end{matrix}\right]$

Hessian矩阵与多元函数的凹凸性：正定为下凸函数，负定为上凸函数。

正定矩阵

$实二次型f=x^TAx,x\neq0,f>0,则f为正定二次型，对称矩阵A为正定矩阵。$

矩阵合同于单位矩阵则为正定矩阵。

对于对称矩阵A，A的特征值全为正，则为正定矩阵；

如果A的各阶顺序主子式都为正，则为正定矩阵。

若技术阶顺序主子式为负，偶数阶顺序注意事项为正，则为负定矩阵。

极值判别法则

导数与函数单调性的关系

极值定理

导数与函数凹凸性关系

如果Hessian矩阵正定，相当于二阶导数>0，函数在该点有极小值；

如果Hessian矩阵负定，相当于二阶导数<0，函数在该点有极大值；

如果Hessian矩阵不定，还需看更高阶的导数。

二次型

$f=x^TAx,\quad 矩阵A为对称矩阵，x为列向量。$

注：在知识向量机、逻辑线性回归等算法中，写表达式时常用二次型表示。

特征值与特征向量

$对n阶方阵A，若存在数\lambda 和n维非零向量x，使得Ax=\lambda x成立，则\lambda 为方阵A的特征值，非零向量x为A的对应于特征值\lambda 的特征向量。$

$\lambda_1+\lambda_2+\lambda_3+...+\lambda_n=a_{11}+a_{22}+...+a_{nn}$

$\lambda_1\lambda_2...\lambda_n=|A|$

$(A-\lambda E)x=0$

应用于主成分分析、流形学习、线性判别分析等。

对称矩阵的对角化

$若\lambda_1,\lambda_2是实对称矩阵A的两个特征值，p_1,p_2是对应的特征向量，若\lambda_1\neq\lambda_2,则p_1与p_2正交。$

$对于n阶实对称矩阵A，必存在正交阵P，使P^{-1}AP=\Lambda,其中\Lambda是以A的n个特征值为对角元素的对角阵，\\ P是由\lambda对应的特征向量正交单位化后组成的。$

特征值分解

$P\Lambda P^{-1}=A$

多元函数的泰勒展开

二元函数在点(x_k,y_k)处的泰勒展开式为：
$f(x,y)=f(x_k,y_k)+(x-x_k)f`_x(x_k,y_k)+(y-y_k)f`_y(x_k,y_k)+\frac{1}{2!}(x-x_k)^2f``_{xx}(x_k,y_k)+\frac{1}{2!}(x-x_k)(y-y_k)f``_{xy}(x_k,y_k)\\ +\frac{1}{2!}(x-x_k)(y-y_k)f``_{yx}(x_k,y_k)+\frac{1}{2!}(y-y_k)^2f``_{yy}(x_k,y_k)+o^n$

多元函数在点x_k处的泰勒展开式为：
$f(x^1,x^2,...,x^n)=f(x^1_k,x^2_k,...,x^n_k)+\sum_{i=1}^n(x^i-x^i_k)f`_{x^i}(x^1_k,x^2_k,...,x^n_k)+\frac{1}{2!}\sum^n_{i,j=1}(x^i-x_k^i)(x^j-x_k^j)f``_{ij}(x^1_k,x^2_k,...,x^n_k)+o^n$

矩阵形式：
$f(x)=f(x_k)+(\nabla f(x_k))^T(x-x_k)+\frac{1}{2!}(x-x_k)^TH(x_k)(x-x_k)+o(||x-x_0||^2)$

$其中：H(x_k)=\left[\begin{matrix}\frac{\delta^2 f(x_k)}{\delta x_1\delta x_1}\quad \frac{\delta^2 f(x_k)}{\delta x_1\delta x_2}\quad...\quad\frac{\delta^2 f(x_k)}{\delta x_1\delta x_n}\\\\\frac{\delta^2 f(x_k)}{\delta x_2\delta x_1}\quad \frac{\delta^2 f(x_k)}{\delta x_2\delta x_2}\quad...\quad\frac{\delta^2 f(x_k)}{\delta x_2\delta x_n}\\\\...\quad...\quad...\quad...\\\\\frac{\delta^2 f(x_k)}{\delta x_n\delta x_1}\quad \frac{\delta^2 f(x_k)}{\delta x_n\delta x_2}\quad...\quad\frac{\delta^2 f(x_k)}{\delta x_n\delta x_n}\end{matrix}\right]\quad H为Hessian矩阵$

矩阵和向量的求导公式

$\nabla w^Tx=w\quad 两个向量做内积求梯度等于本身。w^Tx=\sum_{i=1}^nw_ix_i$

$\nabla x^TAx=(A+A^T)x\quad 二次型\quad x^TAx=\sum_{i=1}^n\sum_{j=1}^na_{ij}x_ix_j$

$\nabla^2 x^TAx=A+A^T\quad \nabla^2为求Hessian矩阵$

奇异值分解(SVD)

A为m x n的矩阵，可以分解为三个矩阵的乘积
$A=U\Sigma V^T\quad,U、V为正交矩阵，\Sigma为对角矩阵。$

$\Sigma是m\times n的矩阵，主对角线元素为非零，其他地方为1。$

$U是AA^T的正交化的特征向量所构成的矩阵。A是m\times n的矩阵，U是m\times m 的矩阵。$

$V是A^TA的正交化的特征向量所构成的矩阵。A是m\times n的矩阵，V是 n\times n 的矩阵。$

应用于：推荐系统、自然语言处理中的主题分析中。

随机事件与概率

条件概率与贝叶斯公式

$条件概率：两个事件a和b,a发生的前提下b发生的概率为\quad p(b|a)=\frac{p(a,b)}{p(a)}$

$先验概率为p(b|a),后验概率为p(a|b),则贝叶斯公式：p(a|b)=\frac{p(a)p(b|a)}{p(b)}$

注：在机器学习、深度学习中经常使用一种最大化后验概率的思想。

随机事件的独立性

$p (b ∣ a) = p (b)$

$p(a_1,...,a_n)=\prod_{i=1}^n p(a_i)$

分布函数

设X是一个随机变量，x是任意实数，函数
$F(x)=P{X\leq x},\quad 称为X的分布函数。$
注：(1)分布函数主要研究随机变量在某一区间内取值的概率情况。

(2)分布函数F(x)是x的一个普通实函数。

(3)分布函数F(x)是一个不减函数。
$P{\{x_1<X\leq x_2}\}=P{\{X\leq x_2}\}-P{\{X\leq x_1}\}=F(x_2)-F(x_1)$

$P{\{x_1\leq X\leq x_2}\}=P{\{X\leq x_2}\}-P{\{X\leq x_1}\}+P{\{X=x_1}\}=F(x_2)-F(x_1)+P{\{X=x_1}\}$

随机变量

随机变量分为离散型和连续型(取值为无限不可列个)。

连续型随机变量：一般地，对于随机变量X的分布函数F(x)，若存在非负函数f(x)，使对于任意实数x有
$F(x)=\int^x_{-\infty}f(t)dt,$
则称X为连续型随机变量，其中函数f(x)称为X的概率密度函数，简称概率密度。

数学期望与方差

方差表达了X的取值与其数学期望的偏离程度，是衡量X取值分散程度的一个尺度。
$E(x)=\sum x_ip(x_i)\\E(x)=\int_{-\infty}^{+\infty}xf(x)dx\\D(x)=\sum(x_i-E(x))^2p(x_i)\\D(x)=\int_{-\infty}^{+\infty}(x-E(x))^2f(x)dx$

常用的概率分布

二项分布：X~B(n,p)，当n=1时，就是（0—1）分布。
$P{\{X=k}\}=C_n^kp^k(1-p)^{n-k},k=0,1,2,...,n.$
当n很大、p很小时，二项分布的泊松逼近。
$C_n^kp^k(1-p)^{n-k}=\frac{\lambda^ke^{-\lambda}}{k!}$

泊松定理：
$设\lambda>0是一个常数，n是任意正整数，设np_n=\lambda，则对于任一固定的非负整数k，有\\ \lim_{n\rightarrow+\infty}C_n^kp_n^k(1-p_n)^{n-k}=\frac{\lambda^ke^{-\lambda}}{k!}$

泊松分布：
$设随机变量X所有可能取值为0,1,2，...，而取各个值的概率为\\ P{\{X=k}\}=\frac{\lambda^ke^{-\lambda}}{k!}，k=0,1,...,\\ 其中\lambda>0是常数，则称X服从参数为\lambda的泊松分布，记为X\sim \pi(\lambda)$
均匀分布：X~U(a,b)
$KaTeX parse error: Can't use function '$' in math mode at position 78: …x>b \end{cases}$̲$
正态分布：
$设连续型随机变量X的概率密度为\\ f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}，-\infty<x<+\infty,\\ 其中\mu，\sigma(\sigma>0)为常数，则称X服从参数为\mu，\sigma的正态分布或高斯(Gauss)分布，记为X\~N(\mu，\sigma^2).\\ 当x=\mu时，f(x)取最大值为\frac{1}{\sqrt{2\pi}\sigma}\\ \mu为位置参数，\mu为期望，\sigma为标准差。\\ \sigma改变，图形形状高低改变，\sigma越小，最高点越高，f越大。$

$X的分布函数为F(x)=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infty}^xe^{-\frac{(t-\mu)^2}{2\sigma^2}}dt$

标准正态分布：X~N(0,1)
$当\mu=0,\sigma=1时称X服从标准正态分布，其概率密度和分布函数分别用\varphi(x)和\Phi(x)表示，即有：\\ \varphi(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}\\ \Phi(x)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^xe^{-\frac{t^2}{2}}dt\\ 易知：\Phi(-x)=1-\Phi(x)\\ 一般正态分布化成标准正态分布：Z=\frac{X-\mu}{\sigma}\sim N(0,1)$

二维随机变量

设(X,Y)是二维随机变量，对于任意的实数x,y，二元函数
$F(x,y)=P{\{(X\leq x)\bigcap(Y\leq y)\}}=P{\{X\leq x,Y\leq y\}}$
称为二维随机变量(X,Y)的分布函数，或称为随机变量X和Y的联合分布函数。

边缘分布

$F_x(x)=P{\{X\leq x\}}=P{\{X\leq x,Y<+\infty\}}=F(x,+\infty)\\ 即 F_x(x)=F(x,+\infty)\\ 只要在函数F(x,y)中令y\rightarrow+\infty就能得到F_x(x).$

离散型：
$F_x(x)=F(x,+\infty)=\sum_{x_i\leq x}\sum_{j=1}^{+\infty}p_{ij}\\ 由X分布函数定义知X的分布律为\\ P_{i·}=P{\{X=x_i\}}=\sum_{j=1}^{+\infty}p_{ij}，j=1,2,...$
连续型：
$对于连续型随机变量(X,Y),设它的概率密度为f(x,y),由\\ F_x(x)=F(x,+\infty)=\int_{-\infty}^x{[\int_{-\infty}^{+\infty}f(x,y)dy]}dx\\ 知道，X是一个连续型随机变量，且其概率密度为\\ f_X(x)=\int_{-\infty}^{+\infty}f(x,y)dy,\\ 同样，Y也是一个连续型随机变量，且其概率密度为\\ f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)dx\\ 分别称f_X(x),f_Y(y)为(X,Y)关于X和Y的边缘概率密度。$
条件密度：
$f(x_1|x_2)=\frac{f(x_1,x_2)}{f(x_2)}$

随机变量的独立性

$f(x_1,x_2)=f(x_1)f(x_2)$

协方差

表征X与Y之间相互关系的数字特征。

如果两个变量X与Y是相互独立的，则Cov(X,Y)=0
$量E{\{[X-E(X)][Y-E(Y)]\}}称为随机变量X与Y的协方差，记为Cov(X,Y),即\\ Cov(X,Y)=E{\{[X-E(X)][Y-E(Y)]\}}，\\ 而\rho_{XY}=\frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}\\ 称为随机变量X与Y的相关系数。\\ \rho_{XY}是一个无量纲的量。\\ 对于任意两个随机变量X和Y：D(X+Y)=D(X)+D(Y)+2Cov(X,Y)，\\ Cov(X,Y)=E(X,Y)-E(X)E(Y)$

协方差矩阵

$设n维随机变量(X_1,X_2,...,X_n)的二阶混合中心距\\ C_{ij}=Cov(X_i,X_j)=E{\{[X_i-E(X_i)][X_j-E(X_j)]\}}，i,j=1,2,...,n\\ 都存在，则称矩阵\\ C=\left[\begin{matrix}C_{11}\quad C_{12}\quad ...\quad C_{1n}\\C_{21}\quad C_{22}\quad ...\quad C_{2n}\\...\quad ...\quad ...\quad...\\C_{n1}\quad C_{n2}\quad ...\quad C_{nn}\end{matrix}\right]\\ 为n维随机变量(X_1,X_2,...,X_n)的协方差矩阵。(由于C_{ij}=C_{ji}，所以是对称矩阵)$

常用的多维概率分布

$多元正态分布：n维正态随机变量(X_1,X_2,...,X_n)的概率密度定义为\\ f(x_1,x_2,...,x_n)=\frac{1}{(2\pi)^2|C|^{1/2}}e^{[-\frac{1}{2}(X-\mu)^TC^{-1}(X-\mu)]}\\ 其中C是(X_1,X_2,...,X_n)的协方差矩阵。$

最大似然估计

解决一个概率密度函数参数问题。

极大似然的思想是，根据使样本出现的概率最大的原则来判断总体中的参数。
$若总体X的分辨率为P{\{X=x}\}=p(x,\theta)(或密度函数为\\ f(x_i;\theta)),其中\theta=(\theta_1,\theta_2,...,\theta_k)为待估参数。设X_1,X_2,...,X_n是来自总体X的一个样本，\\ x_1,x_2,...,x_n是相应于样本的样本值，则样本X_1,X_2,...,X_n取到观测值x_1,x_2,...,x_n的概率为\\ p=P{\{X_1=x_1,X_2=x_2,...,X_n=x_n}\}=\prod_{i=1}^{n}p(x_i;\theta),\\ 或者样本X_1,X_2,...,X_n在点x_1,x_2,...,x_n的领域\\ (边长分别为dx_1,dx_2,...,dx_n的n维立方体)内取值的概率近似地为\\ p=\prod_{i=1}^{\pi}f(x_i;\theta)dx_i.\\ 令L(\theta)=L(x_1,x_2,...,x_n;\theta)=\prod_{i=1}^np(x_i;\theta),\\ 或L(\theta)=L(x_1,x_2,...,x_n;\theta)=\prod_{i=1}^nf(x_i;\theta),\\ 则概率p随\theta的取值而变化，它是\theta函数，L(\theta)称为样本的似然函数。\\如果已知当\theta=\theta_0时使L(\theta)取最大值，\theta_0作为未知参数\theta的估计合理值。$

$求法：若\theta可微，取对数。对数似然函数：\\ lnL(\theta)=\sum_{i=1}^{n}lnf(x_i;\theta)（或\sum_{i=1}^nlnp(x_i;\theta)）\\ 若p(x;\theta)和f(x;\theta)关于\theta不可微时，需利用求极值方法讨论。$

最优化中的基本概念

目标函数

优化变量

可行域

等式约束

不等式约束

局部极小值

全局极小值

迭代法

梯度下降法(数值优化)

一般转化为线性函数
$X_{k+1}=X_k-\gamma\nabla f(X_k)\\ \gamma在程序中为步长当||\nabla f(X_k)||\leq\sigma,\sigma无限接近0时终止迭代。$

实现过程：实现细节问题

初始值的设定

步长的选择

迭代的次序防止陷入循环

迭代终止的判定规则

牛顿法

一般转化为二次函数

找梯度为0的点
$X_{k+1}=X_k-H_k^{-1}g_k\\ g_k为f(X_k)的梯度\\ 当H^{-1}不存在，即H不可逆时，无法使用这个方法。可以使用拟牛顿法。$
实现细节问题：初始值的设定

步长的选择

迭代终止的判定规则

坐标下降法

分治法的思想：当有多个自变量时，选一个变量，其余的都固定，将多元函数极值问题转化为一元函数极值问题；接着继续优化下一个变量…繁复优化。

在知识向量机SVM中采用SHO算法就是利用该思想。
$minf(x),x=(x_1,x_2,...,xn)\\ min_{x_i}f(x)$

优化算法面临的问题

局部极值问题

鞍点问题(在该点出它的Hessian矩阵是不定的：既不正定也不负定)

拉格朗日乘数法(升元法)

$minf(x)\\ h_i(x)=0,i=1,2,...,p\\ L(x,\lambda)=f(x)+\sum_{i=1}^p\lambda_ih_i(x)\\ \nabla_Xf+\sum_{i=1}^p\lambda_i\nabla_Xh_i=0\\ h_i(x)=0$

要找函数z=f(x,y)在附加条件h(x,y)=0下的肯能极值点，可以先作拉格朗日函数
$L(x,y)=f(x,y)+\lambda h(x,y)，其中\lambda为参数，$
求其对x与y的一阶偏导数，并使之为零，然后与约束方程h(x,y)联立起来：
$\begin{cases}f_x(x,y)+\lambda h_x(x,y)=0\\f_y(x,y)+\lambda h_y(x,y)=0\\h(x,y)=0\end{cases}$
得到的(x,y)就是函数f(x,y)在附加条件h(x,y)=0下的可能极值点。

凸优化问题

当对优化问题进行限定，就可避免局部极值问题和鞍点问题了。即凸优化问题。

凸优化两个限定：一：可行域为一个凸集。二：约束函数是一个凸函数。

凸集

定义：在一个集合C中，有任意两点x,y属于C，两者两线上所有的点都在C中。
$x,y连线上点的表达式为(与定比分点公式类似)：\theta x+(1-\theta)y\in C\\ \theta\in[0,1]\\ \theta=0,1是x,y两点。使用上述表达式进行证明某集合是否为凸集。$

$典型的凸集：\\ R^n\\ {\{x\in R^n;Ax=b\}}\\ {\{x\in R^n;Ax\leq b\}}\\ \bigcap_{i=1}^k C_i$

凸函数(下凸)

凸函数的定义：在函数上任意找两点，它们的连线（割线）上的值要比函数对应的值大。
$f(\theta x+(1-\theta)y)<\theta f(x)+(1-\theta)f(y)$
证明方法：一：定义法

二：一阶判别法

三：二阶判别法
$一阶判别法：\\ 一元函数：f(y)\geq f(x)+f`(x)(y-x)\\ 多元函数：f(y)\geq f(x)+\nabla f(x)(y-x)\\ 二阶判别法：\\ 一元函数：f``(x)\geq 0\\ 多元函数：Hessian矩阵为半正定，即H\geq0$

凸优化的性质

性质：局部最优解一定是全局最优解。

利用反证法可以证明。
$证明：假设一点x为局部极小值不是全局最小值，这时有一点y满足f(y)<f(x),\\在x点附近存在\delta邻域，在这个邻域内所有的点的值都比f(x)大。\\在x的邻域内找一点z，根据凸函数的定义使得f(x)>f(z),则f(x)就不是局部最小值。\\ 点z满足：z=\theta y+(1-\theta)x，\theta满足\theta=\frac{\delta}{2||x-y||_2};二范数代表两点距离\\ 接下来计算x与z的距离是否在\delta邻域内：\\ ||x-z||_2=||x-(\frac{\delta}{2||x-y||_2}y+(1-\frac{\delta}{2||x-y||_2})x)||_2\\=||\frac{\delta}{2||x-y||_2}(x-y)||_2\\=\frac{\delta}{2}\leq\delta\\z在\delta邻域内。\\ z的函数值为： f(z)=f(\theta y+(1-\theta)x)\leq\theta f(y)+(1-\theta)f(x)<f(x)\\ 与f(x)为局部极小值相矛盾。所以x不是局部极小值。\\ 所以局部最优解一定是全局最优解。$

凸优化的一般表述

在机器学习中，证明SVM、logistics、线性回归等中的问题是凸优化问题，只需证明它的可行域为凸集，函数为凸函数即可。

拉格朗日对偶

$原始问题：\\ minf(x)\\ g_i(x)\leq0,\quad i=1,2,...,m\\ h_i(x)=0,\quad i=1,2,...,p\\ \quad\\ L(x,\lambda,\mu)=f(x)+\sum_{i=1}^m\lambda_ig_i(x)+\sum_{i=1}^p\mu_ih_i(x)$

$原问题：\\ 第一步：固定x,操作\lambda和\mu,然后让拉格朗日函数取极大值，之后就可将\lambda和\mu消去。\\第二步：操作x，让函数取极小值。\\p^*=min_xmax_{\lambda,\mu,\lambda_i\geq0}L(x,\lambda,\mu)\\ =min_x\theta_p(x)\\ min_x\theta_p(x)=min_xmax_{\lambda,\mu,\lambda_i\geq0}L(x,\lambda,\mu)$

注：原问题等价于我们要求解的问题。（原问题和原始问题是等价的。）
$对偶问题：\\ d^*=max_{\lambda,\mu,\lambda_i\geq0}min_xL(x,\lambda,\mu)=max_{\lambda,\mu,\lambda_i\geq0}\theta_D(\lambda,\mu)\\ 弱对偶：\\ d^*=max_{\lambda,\mu,\lambda_i\geq0}min_xL(x,\lambda,\mu)\leq min_xmax_{\lambda,\mu,\lambda_i\geq0}L(x,\lambda,\mu)=p^* \\对偶间隙：p^*-d^*；当为0时，原问题与对偶问题等价。\\ Slater条件：一：凸优化问题；\\二：至少存在一个可行点x使得不等式约束严格满足条件<0。\\ Slater条件是强对偶成立的充分条件。\\ 强对偶：Slater成立可以推出强对偶。$

KKT条件

$minf(x)\\ g_i(x)\leq0\quad i=1,2,...,q\\ h_i(x)=0\quad i=1,2,...,p\\ \quad\\ L(x,\lambda,\mu)=f(x)+\sum_{j=1}^p\lambda_jh_j(x)+\sum_{k=1}^q\mu_kg_k(x)\\ \quad\\ \begin{cases}\nabla_xL(x^*)=0\\ \mu_k\geq0\\ \mu_kg_k(x^*)=0\\ h_j(x^*)=0\\ g_k(x^*)\leq0 \end{cases}$