一、前导
1、最优化问题
最优化问题一般是指对于某一个函数而言,求解在其指定作用域上的全局最小值问题,一般分为以下三种情况(备注:以下几种方式求出来的解都有可能是局部极小值,只有当函数是凸函数的时候,才可以得到全局最小值):
①无约束问题:求解方式一般求解方式梯度下降法、牛顿法、坐标轴下降法等;
②等式约束条件:求解方式一般为拉格朗日乘子法
拉格朗日乘子法求解
③不等式约束条件:求解方式一般为KKT条件
- 当可行解x在g(x)<0的区域中的时候,此时直接极小化f(x)即可得到;
- 当可行解x在g(x)=0的区域中的时候,此时直接等价于等式约束问题的求解。
KKT条件总结
1. 拉格朗日取得可行解的充要条件;
2. 将不等式约束转换后的一个约束,称为松弛互补条件;
3. 初始的约束条件;
4. 初始的约束条件;
5. 不等式约束需要满足的条件。
2、点到直线/平面的距离公式
假定点p(x0,y0),平面方程为f(x,y)=Ax+By+C,那么点p到平面f(x)的距离为:
从三维空间扩展到多维空间中,如果存在一个超平面f(X)=θX+b; 那么某一个点X0到这个超平面的距离为:
3、感知器模型
3.1 概念
对于m个样本,每个样本n维特征以及一个二元类别输出y:。目标是找到一个超平面,即:。让一个类别的样本满足:;另外一个类别的满足:。
感知器模型为:
3.2 损失函数
正确分类的样本:;错误分类的样本:。假定分类错误的样本数为k,可定义损失函数为(分类错误的样本到超平面的距离之和最小):