在机器学习各类优化问题中,凸集、凸函数和凸优化等概念常常出现,其是各类证实的前提条件,所以认识其性质对于优化问题的理解尤其重要,本文便就凸集、凸函数和凸优化等各类性质进行阐述,文末分享一波凸优化的学习资料和视频!
html
1、几何体的向量表示
在介绍凸集等概念以前,首先介绍一下空间几何体的向量表示,下面在定义凸集概念时便用到了线段的线段表示。先经过一个例子来认识一下如何使用向量表示线段web
已知二维平面上两定点A(5, 1)、B(2, 3),给出线段AB的方程表示以下:算法
{x1=θ∗5+(1−θ)∗2x2=θ∗1+(1−θ)∗3 θ∈[0, 1]app
若是将点A当作向量a,点B当作向量b,则线段AB的向量表示为:curl
x
=θa
+(1−θ)∗b
θ∈[0, 1]机器学习
而直线的向量表示是:ide
x
=θa
+(1−θ)∗b
θ∈Rsvg
由此衍生推广到高维,可得如下几何体的向量表示,三角形的向量表示:函数
x
=θ1a
1+θ2a
2+θ3a
3 θi∈[0, 1] and ∑θi=1学习
三维平面的向量表示:
x
=θ1a
1+θ2a
2+θ3a
3 θi∈R and ∑θi=1
超几何体的向量表示:
x
=θ1a
1+θ2a
2+…+θka
k θi∈[0, 1] and ∑θi=1
超平面的向量表示:
x
=θ1a
1+θ2a
2+…+θka
k θi∈R and ∑θi=1
2、凸集凸函数定义
一、凸集
集合C内任意两点间的线段也均在集合C内,则称集合C为凸集,数学定义为:
上面凸集定义中便用到了线段的向量表示,含义是若是点x1和点x2在集合C内,则线段x1x2上全部点都在集合c内,凸集的交集还是凸集,下面展现几个凸集示例:
二、凸函数
凸函数定义为:
f:C⊆ Rn−>R1, C.x1,x2∈C,:
f(α1x1+α2x2)<= α1f(x1)+ α2f(x2) ∑αi=1,αi>=0
则成 f(x) 为定义在凸集C上的凸函数
严格凸函数定义:设 f ⊆ Rn–> R1,C是凸集,对于x1, x2∈C 都有:
f(α1x1+α2x2)< α1f(x1)+ α2f(x2) ∑αi=1,αi>0
则成 f(x) 为定义在凸集C上的严格凸函数
凸函数的等价定义:设f ⊆ Rn–> R1,C是凸集,对于x1, x2, x3∈C且x1<x2<x3,下式成立则 f(x) 为凸函数:
x2− x1f(x2)− f(x1)<= x3− x1f(x3)− f(x1)<= x3− x2f(x3)− f(x2)
三、凸函数定义几何解释
对于凸函数公式描述:
f(α1x1+α2x2)<= α1f(x1)+ α2f(x2) ∑αi=1,αi>=0
以下图所示,设A一、A2是凸函数曲线上的两个点,他们对应的横坐标x1<x2,且x∈(x1, x2),则存在 α1, α2>0且 α1+ α2=1,使得x= α1x1+ α2x2,过点x作x轴的垂线交函数于A,交直线A1A2于B点,则上式左端即为A的纵坐标,右端即为B的纵坐标:
yA= f(α1x1+α2x2)
yB=α1f(x1)+ α2f(x2)
所以,凸函数的几何含义是:函数任意两点A1和A2之间的部分位于弦A1A2的下方或曲线任一点切线上方,不严谨一个说法:割线始终位于两点间函数曲线的上方
3、凸函数各类性质及其证实
一、性质1:设 f ⊆ Rn–> R1,C是凸集,若f是凸函数,则对于∀β,证实下面水平集Dβ是凸集
Dβ={x∣f(x)<=β, x∈C}
证实一个集合是凸集,按照凸集性质即证实凸集中任意两点构成的线段仍然在凸集内,证实见下图:
二、性质2:凸优化问题的局部极小值是全局极小值
这个性质是凸优化问题一个良好的性质,在机器学习任务中咱们只需将非凸问题转化为凸优化问题,即可直接求出问题的全局极值,下面给出证实:
咱们观察下面两幅图,形象感觉一下为何凸优化问题的局部最优解是全局最优解
(1) 从下图能够看出当函数不是凸函数时,当对非凸函数f(x)进行最优化时,即可能获得局部最优解,没法得到全局最优解
(2) 从下图能够看出当目标函数可行域是非凸时,则此时对函数进行优化时也可能错过全局最优解
三、性质3:设 f ⊆ Rn–> R1,C是凸集,对于x1, x2∈C
(1) f为凸函数的充要条件是:对于∀x1, x2∈C且x1≠x2都有:
f(x2)>f(x1)+ ∇f(x1)T(x2−x1)
(2) f为严格凸函数的充要条件是:对于∀x1, x2∈C且x1≠x2都有:
f(x2)>= f(x1)+ ∇f(x1)T(x2−x1)
证实过程以下:
性质3描述的凸函数一阶可微时具备的性质,下面给出该性质的几何解释
看上图,凸函数f(x),在函数f(x)上取一点(x, f(x))作曲线的切线,切线的斜率为k,能够看出对于凸函数f(x)来讲,切线始终是凸函数f(x)的下界,咱们看点A、B,B是曲线上一点,A点是切线上一点,且A、B的横坐标都为y,则B点的纵坐标始终大于A点的纵坐标,因而即可获得上述性质:
f(y)≥f(x)+ ∇f(x)T(y−x)
当y不断逼近x时,则上式等号成立
四、性质4:凸函数其Hessian矩阵半正定
性质4描述的凸函数二阶可微时知足的性质,即凸函数Hessian矩阵半正定,此性质可经过泰勒公式进行,在给出该性质证实以前,Hessian矩阵和泰勒公式定义
Hessian矩阵是一个多元函数的二阶偏导数构成的方阵,一个多元函数Hessian矩阵定义以下:
泰勒公式是用若干项连加来表示一个函数,这些相加的项由函数在某一点的导数求得,下面给出一个函数f(x)在x=a点的泰勒展开式:
上述性质凸函数其Hessian矩阵半正定的证实以下:
五、性质5:若 x ⊆ Rn,y⊆ Rn,Q为半正定对称阵,证实f(x) = XTQX为凸函数
六、性质6:凸函数f(x),其中Q1+Q2+…+Qn=1,0<= Qi<=1,证实下面不等式:
f(Q1x1+Q2x2+…+Qnxn+)<= Q1f(x1)+Q2f(x2)+…+Qnf(xn)
七、Jessen不等式,f(x)为凸函数,其中E(x)是x的指望,证实:
f(E(x))<=E(f(x))
4、凸优化定义
一、凸优化问题定义
一个凸优化问题可描述为:
f(x) s.t. x∈C
s.t. gi(x)<=0 hi(x) =0
经过如下凸优化性质即可理解何为凸优化问题:
(1) 目的是求解目标函数的最小值;
(2) 目标函数f(x)和不等式约束函数g(x)都是凸函数,定义域是凸集;
(3) 若存在等式约束函数,则等式约束函数h(x)为仿射函数;仿射函数指的是最高次数为1的多项式函数,通常形式为f(x)= Ax + b,A是m*k矩阵,x是一个k向量,b是一个m向量
(4) 凸优化问题有一个良好的性质即:局部最优解即是全局最优解
二、常见凸优化问题
(1) 线性规划LinearProgramming(LP)
若是目标函数和不等式约束函数都是仿射函数,则凸优化问题称为线性规划,数学表示为:
cTx+d
s.t. Gx ≼h Ax=b
(2) 二次规划QuadraticProgramming(QP)
若是目标函数是凸二次函数,而不等式约束还是仿射函数,则凸优化问题称为二次规划,数学表示为:
21xTPx+cTx+d
s.t. Gx ≺=h Ax=b
(3) 二次约束的二次规划Quadratically Constrained Quadratic Programming(QCQP)
若是目标函数和不等书约束均为凸二次函数,则凸优化问题称为二次约束的二次规划,数学表示为:
21xTPx+cTx+d
s.t. 21xTQix+riTx+si≤0 i=1,2,…,m Ax=b
(4) 半正定规划Semidefinite Programming(SDP)
半正定规划较前面的复杂,在机器学习中也常常用到,下面给出数学描述:
tr(CX)
s.t. tr(Aix)=bi i=1,2,…,p X≽0
其中符号tr(A)表示矩阵A的迹,矩阵A的迹是指A的对角线上各个元素的总和
5、浅谈凸优化问题为什么如此重要
一、凸优化具备良好性质,如局部最优解是全局最优解,且凸优化问题是多项式时间可解问题,如:线性规划问题;
二、不少非凸优化或NP-Hard问题能够转化成凸优化问题,方法:对偶、松弛(扩大可行域,去掉部分约束条件),在SVM算法中,为了对目标函数进行优化,便使用了拉格朗日乘子法、对偶问题、引入松弛因子等
凸优化资料:百度云盘连接,密码:ei8e