凸优化百度云(凸优化清华大学出版社)

在机器学习中，要做的核心工作之一就是根据实际问题，定义出一个目标函数，接着找到这个目标函数的最优解。 在找这个最优解的过程中，你可能会生不如死~

但是，上帝关上了你的门，总会给你打开一扇窗~

有一类问题叫做凸优化问题，我们可以比较有效的找到全局最优解。 这就是今天我们就来介绍的主角——凸优化。 话不多说，先来看一下相关的一些定义。

1、凸函数

若 是凸函数，（如 ）则函数图像位于凸函数上方的区域构成凸集。

有：

正式定义：

（1）若函数 的定义域 为凸集，且满足

则有：

（2）若函数 一阶可微，则函数 为凸函数当且仅当 的定义域domf为凸集，且：

（3）若函数 二阶可微，则函数 为凸函数当且仅当 的定义域domf为凸集，且：

若 是一元函数，上式表示二阶导大于等于零。

若 是多元函数，上式表示二阶导 矩阵半正定。

凸函数的举例：

指数函数：

幂函数： 或

负对数函数：

负熵函数：

范数函数：

最大值函数：

指数线性函数：

最大值函数：

指数线性函数：

2、仿射集

若通过集合 中任意两个不同点的直线仍然在集合 内，则称集合 为仿射集。

，

则

直线，平面和超平面都属于仿射集： 维空间的 -1维仿射集为 -1维超平面。

3、凸集

集合 内任意两点间的线段均在集合 内，则称集合 为凸集：

，

则

，

则

一般来说，仿射集的要求更高，仿射集必然是凸集，凸集未必是仿射集。

4、分割超平面

设 和 是两个不相交的凸集，则存在超平面 ， 可以将 和 分离。

有： ，

且

5、支持超平面

设集合 ， 为 边界上的点。 若存在 ，满足对任意 ，都有 成立，则称超平面 为集合 在点 处的支撑超平面。

凸集边界上任意一点，均存在支撑超平面。 反之，若一个闭的非中空（内部点不为空）集合，在边界上的任意一点存在支撑超平面，则该集合为凸集。

以上就是凸优化相关知识的一些定义啦。 下面给大家介绍一下Jensen不等式。 Jensen不等式（Jensen's inequality）是以丹麦数学家Johan Jensen命名的，它在概率论、机器学习、测度论、统计物理等领域都有相关应用。 不等式相当于把凸函数的概念反过来说,即是如果 是一个凸函数,任意取一个在 定义域上的 点，

若 是凸函数，有 :

有

若

若

1、利用 是凸函数，证明： 。

提示： 任取 代入基本 不等式。

2、利用 ( 是凸函数)，证明下式 。 其中，

证明：

注意到 在定义域上是凸函数，则：

=0

好了，以上就是本期的分享啦，凸优化，我们下期再会，未完待续。 。 。 。

如果你觉得内容还不错~

可以点一下“在看”

或上github帮我们“star”一下~

最后如果你觉得内容还不错，欢迎安利给你的各个小伙伴~

本文链接：https://www.24zzc.com/news/169279339422995.html