广告
机器学习最全知识点汇总
1.列举常用的最优化方法
梯度下降法
牛顿法，
拟牛顿法
坐标下降法
梯度下降法的改进型如AdaDelta，AdaGrad，Adam，NAG等。
2.梯度下降法的关键点
梯度下降法沿着梯度的反方向进行搜索，利用了函数的一阶导数信息。梯度下降法的迭代公式为：
根据函数的一阶泰勒展开，在负梯度方向，函数值是下降的。只要学习率设置的足够小，并且没有到达梯度为0的点处，每次迭代时函数值一定会下降。需要设置学习率为一个非常小的正数的原因是要保证迭代之后的xk+1位于迭代之前的值xk的邻域内，从而可以忽略泰勒展开中的高次项，保证迭代时函数值下降。
梯度下降法只能保证找到梯度为0的点，不能保证找到极小值点。迭代终止的判定依据是梯度值充分接近于0，或者达到最大指定迭代次数。
梯度下降法在机器学习中应用广泛，尤其是在深度学习中。AdaDelta，AdaGrad，Adam，NAG等改进的梯度下降法都是用梯度构造更新项，区别在于更新项的构造方式不同。对梯度下降法更全面的介绍可以阅读SIGAI之前的公众号文章“理解梯度下降法”。
3.牛顿法的关键点
牛顿法利用了函数的一阶和二阶导数信息，直接寻找梯度为0的点。牛顿法的迭代公式为：
其中H为Hessian矩阵，g为梯度向量。牛顿法不能保证每次迭代时函数值下降，也不能保证收敛到极小值点。在实现时，也需要设置学习率，原因和梯度下降法相同，是为了能够忽略泰勒展开中的高阶项。学习率的设置通常采用直线搜索（line search）技术。
在实现时，一般不直接求Hessian矩阵的逆矩阵，而是求解下面的线性方程组：
其解d称为牛顿方向。迭代终止的判定依据是梯度值充分接近于0，或者达到最大指定迭代次数。
牛顿法比梯度下降法有更快的收敛速度，但每次迭代时需要计算Hessian矩阵，并求解一个线性方程组，运算量大。另外，如果Hessian矩阵不可逆，则这种方法失效。
4.拉格朗日乘数法
拉格朗日乘数法是一个理论结果，用于求解带有等式约束的函数极值。对于如下问题：
构造拉格朗日乘子函数：
在最优点处对x和乘子变量的导数都必须为0：
- 下一篇：新能源乘用车产业现状及发展趋势
- 上一篇：量产主控芯片的网络安全设计
广告
广告
编辑推荐
最新资讯
-
小米4大顶尖技术发布！雷军亲自演示，比亚
2024-11-15 11:43
-
汽车动力性试验实例
2024-11-15 10:52
-
汽车滑行阻力试验综述
2024-11-15 10:52
-
重磅新车抢先看！懂车帝广州车展举办独家新
2024-11-15 10:30
-
MathWorks和恩智浦（NXP）推出基于模型的BM
2024-11-15 09:42
广告
广告
