机器学习--损失函数常用的凸优化算法

最新推荐文章于 2024-05-27 06:30:00 发布

我是疯子喽

最新推荐文章于 2024-05-27 06:30:00 发布

阅读量1.4k

点赞数

文章标签：机器学习 python 随机梯度下降拉格朗日乘子法 kkt条件

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_35733800/article/details/105192364

版权

本文详细介绍了无约束和有约束条件下机器学习损失函数的凸优化算法，包括牛顿法、梯度下降法、坐标轴下降法以及拉格朗日乘子法和KKT条件。针对梯度下降法，探讨了学习率、初始值选择和不同类型的梯度下降法，如批量、随机和小批量。同时，对比了坐标轴下降法与梯度下降法的联系与区别。对于有约束条件，重点讲解了拉格朗日乘子法及其在实际问题中的应用。

摘要由CSDN通过智能技术生成

目录

一无约束条件下损失函数的凸优化算法

1 牛顿法（不推荐使用）

1）函数为可微凸函数，已知某点的函数值，求解该点的的方法

2）算法流程

2 梯度下降法

1）算法流程

2）算法的调优策略

3）算法不同类型（假定m个样本）

3 坐标轴下降法

1）算法流程

2）坐标轴下降法与梯度下降法的联系与区别

二有约束条件下（等式约束与不等式约束）损失函数的凸优化算法

1 拉格朗日乘子法

1）算法步骤

2 泛拉格朗日乘子法（KKT条件）

2）泛拉格朗日乘子法

一无约束条件下损失函数的凸优化算法

1 牛顿法（不推荐使用）

1）函数为可微凸函数，已知某点的函数值，求解该点的的方法

$\left\{\begin{matrix} y_{1}=f(x_{1}),{y}'_{1}\neq 0 \\ x_{1}=?\end{matrix}\right.$

2）算法流程

第一步：令 $x=x_{0}$

$x=x_{0}\Rightarrow\left\{\begin{matrix} y=y_{0}=f(x_{0})\\ {y}'_{0}={f}'(x_{0}) \neq 0\end{matrix}\right.$

第二步：计算 $\Delta y$

$\Delta y=y_{1}-y_{0}$

第三步：计算 $\Delta x$

$\Delta x=\frac{\Delta y}{{y}'_{0}}$

第四步：更新 $x_{0}$

$x_{0}=x_{0}+\Delta x$

第五步：重复上述步骤（迭代），直至 $\Delta x\rightarrow 0$

2 梯度下降法

1）算法流程

第一步：假定函数 $y=f(\theta )$ ， $\theta$ 为n元自变量

第二步：初始化 $\theta$

第三步：计算负梯度 $\bigtriangledown f(\theta )$

第四步：更新 $\theta$

$\theta=\theta -\alpha \bigtriangledown f(\theta )$

第五步：重复三、四步骤（迭代），直至 $f(x,\theta )\overset{\theta }{\rightarrow} minf(x,\theta )$

注意：

$\alpha$ 是学习率：控

最低0.47元/天解锁文章

我是疯子喽

关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
机器学习--损失函数常用的凸优化算法

一无约束条件下损失函数的凸优化算法1 牛顿法（不推荐使用）1）函数为可微凸函数，已知某点的函数值，求解该点的的方法2）算法流程第一步：令第二步：计算第三步：计算第四步：更新第五步：重复上述步骤（迭代），直至2 梯度下降法1）算法流程第一步：假定函数，为n元自变量第二步：初始化第三步：计算负梯度...
复制链接

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。