美文网首页机器学习
03 SVM - KKT条件

03 SVM - KKT条件

作者: 白尔摩斯 | 来源:发表于2018-11-29 22:34 被阅读118次

02 SVM - 拉格朗日乘子法

回顾上章,原始问题与对偶问题的关系:

定理:对偶 ≤ 原始 证明

结论:
1、对偶问题小于等于原始问题。
2、当函数满足KKT条件的时候,对偶问题=原始问题。

这章开始介绍KKT条件。


KKT条件

KKT条件是泛拉格朗日乘子法的一种形式;主要应用在当我们的优化函数存在不等值约束的情况下的一种最优化求解方式;KKT条件即满足不等式约束情况下的条件。

分析KKT条件

KKT条件理解

回顾 不等式约束的定义:

不等式约束 几何意义

1、可行解必须在约束区域g(x)之内,由图可知可行解x只能在g(x)<0和g(x)=0的区域取得;
(1) 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;
(2) 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。

左: g(x)<0 - 右: g(x)=0

2、当可行解在约束内部区域的时候,令β=0即可消去约束。

公式

3、 对于参数β的取值而言,在等值约束中,约束函数和目标函数的梯度只要满足平行即可,而在不等式约束中,若β≠0,则说明可行解在约束区域的边界上,这个时候可行解应该尽可能的靠近无约束情况下的解,所以在约束边界上,目标函数的负梯度方向应该远离约束区域朝无约束区域时的解,此时约束函数的梯度方向与目标函数的负梯度方向应相同;从而可以得出β>0。

不等式约束,g(x)的梯度和f(x)的负梯度平行,求切点,即是f(x)最小值。 分析几何问题

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;

对应的公式 总结

04 SVM - 感知器模型

相关文章

  • 03 SVM - KKT条件

    02 SVM - 拉格朗日乘子法 回顾上章,原始问题与对偶问题的关系: 结论:1、对偶问题小于等于原始问题。2、当...

  • 04 SVM - 感知器模型

    03 SVM - KKT条件 高中距离知识回顾 点到直线/平面的距离公式: 1、假定点p(x0,y0),平面方程为...

  • SVM-part1-KKT条件

    从三类优化问题开始: 1 无约束优化。 2 带等式约束带优化。 3 不等式约束优化。 而SVM的优化问题,即不等式...

  • svm学习小笔记

    (1)python中1和l,有时容易弄混 (2)svm中根据kkt条件来选择α,通过目标函数(其他α固定好后就是一...

  • 统计学习方法-7 支持向量机-3

    3 非线性支持向量机、SMO算法3.1 目标函数继续变形理论上,KKT条件可以解出SVM,但是当训练集容量很大时,...

  • SVM系列第七讲--KKT条件

    上一讲我们介绍了最优化问题的两种形式,无约束的和等式约束条件下的,这一讲,我们主要介绍不等式约束条件下的最优化问题...

  • SVM(1) 之 拉格朗日乘子法和KKT条件

    其实我之前看过这个地方,但是当时感触不深(或者说根本没看懂,也可能是忘了),所以重新推导一下。《西瓜书》 、《统计...

  • 2020机器学习SVM-KKT条件(2)

    甜点 有时候只是单纯地看一些数据公式,比较难理解,如果我们通过绘制一些图形可以更好帮助理解这些公式,今天介绍的 S...

  • KKT条件

    定义 优化问题:的解满足如下条件该条件即KKT条件。 解释 无约束条件时,局部极值点在梯度为0时取得。例如,当为局...

  • 算法基本功:SVM part2 - 2019-03-02

    上一篇文章推导了针对不等式约束优化问题的KKT条件。 接下来具体到svm 问题上推导: 只有支持向量才决定最优解。...

网友评论

    本文标题:03 SVM - KKT条件

    本文链接:https://www.haomeiwen.com/subject/qfbqcqtx.html