常见的矩阵范数有L1,L2, ∞ 范数,F范数和引申出的L2,1范数。而在机器学习的特征选择中,利用选择矩阵的范数对选择矩阵进行约束,即是正则化技术,是一种稀疏学习。
L0 , L1 向量范数
L0 范数
L0 范数是指向量 v 中的非0的个数,是一种度量向量稀疏性的表示方法。例如:
v=[0,1,1,0,0,1] ,那么 ∥v∥0=3 。L1 范数
L1 范数是向量中元素的绝对值之和,即 ∥v∥1=∑ni=1|vi| ,也描述了向量的稀疏性。
从图中可以看出,
p
的取值在
矩阵的 L1 范数
为了度量稀疏矩阵的稀疏性,则定义矩阵的一种范数,为:
即为矩阵所有元素的绝对值之和,能够描述接矩阵的稀疏性,但是在优化时,难度较大,是将情况向矩阵中元素尽可能是0的方向优化。
矩阵的 L2,1 范数
而为了进一步说明矩阵的稀疏性,来说明特征选择中矩阵
L2,1
范数的作用。
在特征选择中,通过稀疏化的特征选择矩阵来选取特征,即相当于是一种线性变换。
矩阵 L2,1 范数的求导
对于特征选择矩阵
W
,每一行(即行向量)用向量的2-范数描述,即
这便是矩阵的 L2,1 范数的实际描述过程。矩阵的 L2,1 范数满足矩阵范数的自反性、非负性、对称性和三角不等式关系,是一个范数,这里不予证明。
那么,在线性学习模型,损失函数如:
在优化中,矩阵的范数该如何求导?关于矩阵的F范数求导,可以参考 矩阵的 Frobenius 范数及其求偏导法则。而矩阵 L2,1 范数求导如下推导:
首先,先证明一个向量求导的问题,其中 x={x1,x2,…,xn} , 而已知求导
那么,可得向量的求导为
而对于一个矩阵 W=[w1,⋯,wd]T , 其中 wi 是 W 的第 i 行。由矩阵的定义有
那么:
这即是矩阵 L2,1 范数的求导结果。
矩阵一般化 L2,P 范数的求导
而向老师就矩阵一般化
L2,P
范数给出了推导,如下:
关于矩阵的求导,是机器学习的一个数学难点,需要好好积累数学理论知识!