機器學習7 認識凸優化

2021-10-05 08:26:04 字數 3044 閱讀 8423

計算幾何研究的物件是幾何圖形。早期人們對於影象的研究一般都是先建立座標系,把圖形轉換成函式,然後用插值和逼近的數學方法,特別是用樣條函式作為工具來分析圖形,取得了可喜的成功。然而,這些方法過多地依賴於座標系的選取,缺乏幾何不變性,特別是用來解決某些大撓度曲線及曲線的奇異點等問題時,有一定的侷限性。

我們假設兩個點不相同:x1!

=x2x 1 !=x 2

x1!=x2

​那麼就有直線方程:y=θ

x1+(

1−θ)

x2y=θx 1 +(1−θ)x2

y=θx1+

(1−θ)x2

計算幾何與平面幾何(初高中學習)的區別就是維度的不一樣,計算幾何在平面的基礎上新增了角度的維度,這意味著計算的複雜性提高了,但是計算的結果更加的廣泛,更加的精確,更容易全方位的表達一條直線,舉個例子說,就是我們的視覺從180度擴充套件到了360度。

在凸幾何中,凸集是在凸組合下閉合的仿射空間的子集。更具體地說,在歐氏空間中,凸集是對於集合內的每一對點,連線該對點的直線段上的每個點也在該集合內。例如,立方體是凸集,但是任何中空的或具有凹痕的例如月牙形都不是凸集。

凸集是單點或一條不間斷的線,二、三維空間中的凸集就是直觀上凸的圖形,例如二維中有扇面、圓、橢圓等,三維中的實心球體等,所以,直線屬於凸集。

仿射集亦稱仿射流形、線性流形、仿射簇,是實線性空間中的一類子集。所以直線屬於仿射集,且為維數為1

三維空間中的平面主要通過建立公式模型來表達。

我們假設三維的直線方程為:

a x+

by+c

z+d=

0ax+by+cz+d=0

ax+by+

cz+d

=0然後通過特定的方法求解abcd:

解法一、是已知三個點,建立三個方程,解三個未知數;

解法二、克萊姆法則

解法三…(很多方法)

高維度超平面的表達

在數學中,超平面(hyperplane)是n維歐氏空間中余維度等於1的線性子空間。這是平面中的直線、空間中的平面之推廣。設f為域其中

f =i

rf=ir

f=ir

則n維空間fn中的超平面是由如下方程表示:

a 1x

1+..

.+an

xn=b

a1 x 1 +...+a n x n =b

a1x1+.

..+a

nxn=

b超平面h是從n維空間到n-1維空間的乙個對映子空間,它有乙個n維向量和乙個實數定義。設d是n維歐式空間r中的乙個非零向量,a是實數,則r中滿足條件dx=a的點x所組成的集合稱為r中的一張超平面。

凸函式的簡單定義

任意兩點的函式值的連線上的點都在曲線的上方,我們成為凸函式。

什麼是hessen矩陣

hessian matrix(黑塞矩陣、海森矩陣、海瑟矩陣、海塞矩陣etc.),它是乙個多元函式的二階偏導數構成的方陣,用以描述函式的區域性曲率。黑塞矩陣最早於19世紀由德國數學家ludwig otto hesse提出,並以其名字命名。黑塞矩陣常用於牛頓法解決優化問題。

一元函式的判別

對於一元函式f(x),我們可以通過其二階導數f′′(x)的符號來判斷。

如果函式的二階導數總是非負,即f′′(x)≥0 ,則f(x)是凸函式

多元函式的判別

對於多元函式f(x),我們可以通過其hessian矩陣的正定性來判斷。如果hessian矩陣是半正定矩陣,則是f(x)是凸函式

f(x)=x^3的影象如下所示,如紅線所示,連線並不都位於弧線上方,因此該函式不是凸函式!

凸規劃定義:

設f (x

)f(x)

f(x)

及g i(

x),i

=1,.

..,m

gi(x),i=1,...,m

gi(x),

i=1,

...,

m均為r

nr^n

rn上的凸函式,則稱最優化問題為凸規劃。

如何判別乙個規劃問題是凸規劃問題?

與一般的最優化問題標準形式相比,凸規劃有三點附加條件: (1)目標函式f(x)必須是凸函式;

(2)不等式約束函式gi(

x)gi(x)

gi(x

)必須是凸函式,不等式gi(x)≤0組成的區域為凸集;

(3)等式約束函式hj(

x)=a

tjx−

bjhj(x)=atjx−bj

hj(x)=

atjx

−bj 必須是仿射的(即線性函式和常函式的和函式)。

因此我們得出以下結論:凸規劃的可行域是凸集。因為每個約束條件的點集都是凸集,它們的交集也是凸集。

第一步:

求解f(x)與g1(x)、g2(x)、g3(x)的hessen矩陣:

四個都是凸函式,所以為凸規劃!

機器學習 凸優化基礎

來扯一些理論基礎。凸集的定義 定義集合c為凸集當且僅當 任取x,y c,0,1 都有 x 1 y c 從幾何意義上來說,就是凸集c中的任意線段,若他的的頭尾屬於該集合,則其整體屬於該集合 凸函式的定義 函式f為從r n對映到r的可積函式,且它需要滿足 1 定義域為凸集 2 f x 1 y f x 1...

機器學習之凸優化基礎二

20.共軛函式 21.凸優化 優化問題的基本形式 告訴幾個等式約束求最值 區域性最優問題 22.非凸優化問題的變形 23.對偶問題 24.lagrange對偶函式 dual function lagrange 對偶函式 若沒有下確界,定義 根據定義,顯然有 對 0,v,若原優化問題有最優值p 則 進...

凸優化等 機器學習數學知識等

總結 數學知識 非約束優化 梯度下降,牛頓法 等式約束 1.非嚴格滿足等式約束 自己設定懲罰函式係數大小。2.嚴格滿足等式約束 拉格朗日乘子法。不等式約束 1.只要滿足kkt條件 karush kuhn tucker conditions 依然可以使用拉格朗日乘子法解決 2.內點法 除了以上的數值優...