拉格朗日乘子
博客
如何理解拉格朗日乘子法?:https://www.zhihu.com/question/38586401
解密SVM系列(一):关于拉格朗日乘子法和KKT条件:https://blog.csdn.net/on2way/article/details/47729419
解密SVM系列(二):SVM的理论基础:https://blog.csdn.net/on2way/article/details/47729827
深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件:https://blog.csdn.net/xianlingmao/article/details/7919597
适用条件
应用于凸函数的带约束的组合优化问题。
KKT条件
关于带等式以及不等式的约束条件的凸函数优化。任何原始问题约束条件无非最多3种,等式约束,大于号约束,小于号约束,而这三种最终通过将约束方程化简化为两类:约束方程等于0和约束方程小于0。
KKT条件:函数的最优值必定满足下面条件:
(1) L对各个x求导为零;
(2) h(x)=0;
(3) ∑αigi(x)=0,αi≥0。
最大熵模型
博客
最大熵模型(MaxEnt):万法归宗(上)https://blog.csdn.net/baimafujinji/article/details/78986906
最大熵模型(MaxEnt):万法归宗(下)https://blog.csdn.net/baimafujinji/article/details/78992878
最大熵模型
由于拉格朗日函数L(P,w)是P的凸函数,原始问题与对偶问题的解是等价的。这样便可以通过求解对偶问题来求解原始问题。
对偶函数的极大化等价于最大熵模型的极大似然估计。
Python代码实现
博客
李航《统计学习方法》第六章——用Python实现逻辑斯谛回归(MNIST数据集)https://blog.csdn.net/wds2006sdo/article/details/53084871
李航《统计学习方法》第六章——用Python实现最大熵模型(MNIST数据集)https://blog.csdn.net/wds2006sdo/article/details/53106579