机器学习中的数学基础

一、微积分

1、导数

导数的定义：

常见的导数：

2、导数法则

3、梯度和Hessian矩阵

3.1 一阶导数和梯度

注意，这里加粗的X指的是一个向量。

3.2 二阶导数和Hessian矩阵

4、二次型的梯度

特别的，若A为对称矩阵，则有如下公式成立：

5、泰勒级数与极值

5.1 输入为标量的泰勒级数展开

标量是只有大小没有方向的物理量。

我们称满足一阶导数即f${}^{’}$(x${}_k$)=0的点为平稳点(候选点)，此时如果二阶导数f${}^{’’}$(x${}_k$)>0,则称x${}_k$为严格局部极小点。反之则为严格局部最大值点。若f${}^{’’}$(x${}_k$)=0，那此点可能是一个鞍点，即既不是最大值点也不是最小值点。

5.2 输入为矢量的泰勒级数展开

矢量是既有大小又有方向的物理量。

称满足${\nabla }^T$f(x${}_k$)=0的点为平稳点(候选点)，此时若还有${\nabla }^2$f(x${}_k$)$\prec$ 0，表示特征值全部小于0，称x${}_k$为严格局部极大值点；反之特征值全部大于0，为严格局部极小值点。如果${\nabla }^2$f(x${}_k$)是一个不定矩阵，那么可能是一个鞍点。
当梯度函数等于0即${\nabla }^T$f(x${}_k$)=0时求解的过程非常复杂，这时需要用到梯度下降。如果$\delta$是梯度方向，函数将最快上升，如果$\delta$是负梯度方向，函数将最快下降。
那么我们应该如何理解$\delta$是负梯度方向时函数最快下降，梯度方向时函数最快上升呢？我们把$\delta$看成方向，若一个人要想往前走，肯定需要确定方向，当把方向$\delta$取成$\nabla$f(x${}_k$)（$\nabla$f(x${}_k$)就表示f(x${}_k$）函数的梯度）时原式变成了f(x${}_k$+$\delta$）$\approx$${\nabla }^T$f(x${}_k$)$\nabla$f(x${}_k$)。而${\nabla }^T$f(x${}_k$)$\nabla$f(x${}_k$)=||$\nabla$f(x${}_k$)||，是梯度函数的范数，此时达到最大。所以函数将最快上升。反之函数将最快下降。

二、概率论

1、随机变量

累积分布函数：

概率密度函数：

因为概率密度函数有封闭表达式，累积分布函数是概率密度函数的积分，积出来的时候没有封闭表达式，所以在工程上我们更喜欢用概率密度函数去衡量。

2、高斯分布

2.1 一元概率密度：

2.2 多元概率密度：

高斯分布中$\mu$衡量了高斯分布相对于原点的偏移程度，$\sigma$衡量了随机变量取值的分散程度，方差即$\sigma$越大，说明分散程度越高。

2.3 中心极限定理

随机变量序列部分和分布渐近于正态分布。
注意两个独立的高斯变量相加还是服从高斯分布。

3、贝叶斯公式

贝叶斯公式用来描述两个条件概率之间的关系，比如P(A|B)和P(B|A)，他们两个不相等，但是他们有什么联系呢？
联系如下：

概率密度形式：

三、矩阵

1、方阵的特征值与特征向量

Ax=$\lambda$x，其中$\lambda$是特征值，x为A对应于$\lambda$的特征向量。

Ax=$\lambda$x几何意义：对原始向量x与矩阵A相乘以后得到的Ax相当于对向量x进行了一个旋转，若旋转以后的x还能够与旋转前的向量x保持在一条线上，这时x就是矩阵A的特征向量，$\lambda$相当于对特征向量进行了一个缩放。

2、特征分解的性质

对于Ax${}_i$=$\lambda$x${}_i$，如果所有的特征值都不相同，则相应的所有特征向量线性无关，此时，A可以被对角化为：
其中V是一个可逆矩阵，V=[x${}_1$，，，x${}_n$]，$\Lambda$是对角矩阵。$\Lambda$=Diag(${\lambda }_1$，，，${\lambda }_n$)。
注意：并不是所有方阵都可被对角化，但是对称矩阵一定可被对角化。

3、对称矩阵的特征分解

如果一个对称矩阵的特征值不同，则其相应的所有特征向量正交。

对称矩阵的特征值都是实数。
如果A是一个对称矩阵并且有rank r$⩽$n,则有：

4、二次型

4.1 二次型定义

给定矩阵A$\in$R${}^{n\times n}$，函数

被称为二次型。
若对于所有的x$\in$R${}^n$，有x${}^T$Ax$\ge$ 0，则矩阵为半正定矩阵，如果x${}^T$Ax$>$ 0则为正定矩阵；反之分别为半负定矩阵和负定矩阵。

4.2 二次型图形

二次函数：

一阶导公式和二阶导公式分别为：


二次型图形为：

5、特征分解的应用-PCA

给定一个矩阵X$\in$R${}^{m\times n}$，例如

我们选择k<m个正交基进行降维的同时又要尽量保留原始的信息，即使得A变换到这组基后，使得行向量间的协方差为0，而每个行向量的方差尽可能大。协方差代表了行之间的相关程度，而方差是衡量一组数据的分散程度。例如四行的矩阵我们要降维成两行，那么我们希望降维后的这两行的协方差尽可能小，每行数据的方差尽可能大。因为协方差小代表两行的相关程度越小。方差越大表示数据越分散，他们之间的干扰就会更小。

协方差矩阵为：

协方差矩阵的对角元是每一行的方差，非对角元是两行向量做内积，这时我们希望两个向量垂直。
假设变换矩阵为Y=QX，并先假设Q是方阵（这里我们先不考虑降维），则有：

那么我们如何使得C${}_Y$是一个对角矩阵呢？我们知道C${}_X$可被相似对角化，即：

若把Q改成U${}^T$，式子就变成C${}_Y$=$\Lambda$=U${}^T$C${}_X$U，
这时C${}_Y$就可被对角化。注意这里我们没有考虑降维，只是把变换后的矩阵C${}_Y$给对角化了。这时的对角矩阵非对角元为0，数据的相关性很小。当我们需要把降维考虑进去时我们只需要取Q=U${}^T$的前几行即可。取的行数取决于我们要降的维数。因为U${}^T$每行代表了特征值对应的特征向量。特征值已经排好序列，所以越到后面的行对应的特征值越小，相关性也越小。
为了方便理解，我们来举个例子：
X=$\left[\begin{array}{ccccc}-1& -1& 0& 2& 0\\ -2& 0& 0& 1& 1\end{array}\right]$，C${}_X$=$\left[\begin{array}{cc}\frac{6}{5}& \frac{4}{5}\\ \frac{4}{5}& \frac{6}{5}\end{array}\right]$
我们要把两行的数据降成一行。
计算C${}_X$的特征值为${\lambda }_1$=2，${\lambda }_2$=2/5，特征值 所对应的特征向量为：
$\left[\begin{array}{c}\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}\end{array}\right]$，$\left[\begin{array}{c}-\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}\end{array}\right]$.
因此U=$\left[\begin{array}{cc}\frac{1}{\sqrt{2}}& -\frac{1}{\sqrt{2}}\\ \frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}\end{array}\right]$，则U${}^T$=$\left[\begin{array}{cc}\frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}\\ -\frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}\end{array}\right]$.
此时如果Q=U${}^T$=$\left[\begin{array}{cc}\frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}\\ -\frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}\end{array}\right]$，则只对角化了C${}_Y$，未降维，降维则是取Q的第一行。
降维：$\left[\begin{array}{cc}\frac{1}{\sqrt{2}}& \frac{1}{\sqrt{2}}\end{array}\right]$X=$\left[\begin{array}{ccccc}-\frac{3}{\sqrt{2}}& -\frac{1}{\sqrt{2}}& 0& \frac{3}{\sqrt{2}}& -\frac{1}{\sqrt{2}}\end{array}\right]$，此时可验证C${}_Y$=2=${\lambda }_1$。

四、凸优化

1、一般约束优化问题

约束优化问题一般形式：

可行域：满足f(x)定义域和约束条件的x的集合。c$_j(x)=0表明不等式约束被激活。
注意：等式约束比较少见，一般情况下都是不等式约束。
例如有以下优化问题：

图如下：

如上图我们可以发现函数所定义的可行域是凸集，函数本身也是凸函数，我们把研究定义于凸集中的凸函数最小化的问题称为凸优化问题。这种情况下若有局部最优解，那此解也一定是全局最优解。而非凸函数只能得到局部最优解，无法得到全局最优解。

2、一般约束优化问题极值点一阶必要条件（KKT）

没有约束的优化问题我们一般采用求导和梯度下降法来求解。当面对有约束的优化问题时，我们需要解KKT条件。
如果X${}^{\ast }$是约束优化问题的局部最小解，那么有如下五个条件（注意是以前面的例子为基础，根据前面例子来看）：
1）a${}_i$(X*)=0 for i=1，2，，p
2）c${}_j$(X*) $\ge$ 0 for j=1，2，，q
3）存在拉格朗日乘子${\lambda }_i^{\ast }$和${\mu }_j^{\ast }$使得如下等式成立：

条件3可以解释为如果X${}^{\ast }$是最优解的话，我们对等式约束求个梯度，再对不等式约束求个梯度，然后定义两个拉格朗日乘子${\lambda }_i^{\ast }$和${\mu }_j^{\ast }$，他们这两个函数加起来的线性组合就等于原始的f(X${}^{\ast }$)的梯度。
这里通过拉格朗日乘数法把约束条件转换为了无约束条件。转化为约束条件时是如下式子：

而条件3与如下式子等价。
4）${\mu }_j^{\ast }$c${}_j$(X*)=0 for j=1，2，，q
条件四的意思是${\mu }_j^{\ast }$和c${}_j$(X*)中只有一个数是0，若c${}_j$(X*)=0，说明不等式约束被激活了，这时${\mu }_j^{\ast }$一定>0，反之如果c${}_j$(X*)没有被激活，那么${\mu }_j^{\ast }$一定是0。
5）${\mu }_j^{\ast }$$\ge$ 0 for j=1，2，，q

因为上述五个条件是必要条件，所以在解完一阶KKT的条件求出X${}^{\ast }$后会有三种情况，即极大值、极小值和鞍点。接下来再继续求就需要用到二阶KKT。
以上是我根据学习资料自己总结后所得，有错误之处请留言。