在固定的条件下,求一个最值,这类问题都是优化问题。
- 一条直线在某个定义域内的最值
- 抛物线在整个定义域的最值
- 多元函数的某个变量的最值
无非是模拟一个多元空间,求取一个或者几个数据的最值。
研究这类问题有两个步骤:
- 问题建模
- 优化算法
机器学习的建模
太极生两仪,两仪生四象,四象生万物。
判别是非的能力,是最基础的二进制方式,是与否。
多少个是与否组成了更加复杂的逻辑判断的准则。
- 对曲线与直线的判断
- 对封闭与开放的判断
- 对人脸与非人脸的判断
我们用数学语言去描述这类问题:
,
和
可以是非常复杂的。让人脑无法判断具体的
的时候,我们可以引用机器学习,来训练出优化模型。
常见的最优化方法有梯度下降法、牛顿法和拟牛顿法、共轭梯度法。
- 二进制分类:邮件->(非)垃圾邮件
- 回归:位置,年份->房价
梯度下降
最早最简单的优化方法,当目标函数是凸函数时,梯度下降法的解是全局解。一般情况下,其解不保证是全局解,梯度下降的速度也未必是最快的。
优化思想:当前位置负梯度方向作为搜索方向,因为该方向为当前位置的最快下降方向。
在机器学习中,基于基本的梯度下降法发展了两个梯度下降法:(1)随机梯度下降法(2)批量梯度下降法