1、最速下降法和牛顿法
1.1 最速下降法
计算步骤如下:
(1)给定初始点 x(1)∈R(n) ,允许误差 ϵ >0,置 k=1 ;
(2)计算搜索方向 d(k)=−▽f(x(k)) ;
(3)若 ||d(k)||≤ϵ ,则停止计算;否则,从 x(k) 沿 d(k) 进行一维搜索,求 λk ,使得
f(x(k)+λkd(k))=min(f(x(k)+λd(k)))
其中保证所求的 λk≥0 ;
(4)置 x(k+1)=x(k)+λkd(k) ,置 k=k+1 ,转到步骤(2)。
1.2 牛顿法
设 f(x) 是二次可微实函数,又设 x(k) 是 f(x) 的极小值的一个估计, f(x) 在 x(k) 的二阶泰勒展开式为:
f(x)≈f(x(k))+▽f(x(k))T(x−x(k))+12(x−x(k))T▽2f(x(k))(x−x(k))
对上式求导得:
▽f(x(k))+▽2f(x(k))(x−x(k))=0
设 ▽2f(x(k)) 可逆,得到牛顿法的迭代公式:
x(k+1)=x(k)−▽f(x(k))▽2f(x(k)) .
当牛顿法收敛时,有下列关系: ||x(k+1)−x⎯⎯||≤c||x(k)−x⎯⎯||2 ,因而其具有二次收敛性。
对于二次凸函数,牛顿法经过有限次迭代必定能达到极小值,这种性质称为二次终止性。
2、广义线性分布
广义高斯模型是基于指数分布族的,指数分布族的原型如下:
P(y;η)=b(y)exp(ηTT(y)−a(η))
其中 η 为自然参数,它可能是一个向量,而 T(y) 叫做充分统计量,它也可能是一个向量,通常 T(y)=y 。
2.1 伯努利分布
概率分布为: P(y=1|x)=ϕ
则
P(y|x)=ϕy(1−ϕ)(1−y)=exp[ylogϕ+(1−y)log(1−ϕ)]=exp[ylog(ϕ1−ϕ)+log(1−ϕ)]
其中 η=log(ϕ1−ϕ) ,求得 ϕ=11+exp(−η) 。若 g(η)=11+exp(−η) ,那么 g(η) 为正则响应函数, g(η)−1 为正则关联函数。
2.2 高斯分布
概率密度函数为: p(y|x)=1(√2π)σexp(−(y−μ)22σ2)
则
p(y|x)=1(√2π)σexp(−(y−μ)22σ2)=1(√2π)σexp(−(y2+μ2−2yμ)2σ2)=1(√2π)σexp(−y22σ2)exp(2yμ2σ2−μ22σ2)
2.3 广义线性回归的三个假设
(1) y|x;θ 服从参数为 η 的指数族分布;
(2)给定
x
后,我们希望的输出为:
(3) η=θTx[ηi=θTix] .
2.3.1 伯努利分布
伯努利分布满足广义线性回归的三个假设,其中 h(x)=ϕ=11+exp(−η)=11+exp(−θx) 。
2.3.2 softmax回归
y∈1,2,...,k
参数: ϕ1,ϕ2,...,ϕk ,其中 P(y=i)=ϕi 。其中 ϕk=1−∑k−1i=1ϕi 。
对于 y∈1,2,...,k ,
T(1)=[1,0,...,0]T , T(2)=[0,1,...,0]T ,…, T(k−1)=[0,0,...,1]T , T(k)=[0,0,...,0]T 。
令 T(y)i=1{y==i}
P(y|x)=ϕ1{y=1}1ϕ1{y=2}2...ϕ1{y=k}k=ϕT(y)11ϕT(y)22...ϕ1−∑k−1i=1T(y)ik=exp{T(y)1logϕ1+T(y)1logϕ2]+...+[1−∑k−1i=1T(y)i]logϕk}=exp{[T(y)1,T(y)2],...,T(y)k−1]T.[logϕ1ϕk,logϕ2ϕk,...,logϕk−1ϕk]+logϕk}
则 η=[logϕ1ϕk,logϕ2ϕk,...,logϕk−1ϕk]T,a=−logϕk,b(y)=1.
则 ϕi=exp(ηi)1+∑ki=1exp(ηi)=exp(θTix)1+∑ki=1exp(θTix) .
则 hθ(x)=[ϕ1,ϕ2,...,ϕk]T .