广义拉格朗日函数的理解(可用于SVM推导)
2017-03-15 15:55
260 查看
为了求如下约束最优问题:
引入广义拉格朗日函数:
先需要证明:
网上有的博文对(4)式的证明不容易看懂,我证明如下:
首先将
记作函数
。
1)如果
,由于
可以取任意大,因此这时函数
不可能取得最小值。因此函数
只有在
时才可能取得最小值。
2)如果
,
=
,因此(4)式两边等价。
第二步来证明:
(1)
由于原始问题和对偶问题均有最优值,所以可分别假设
那么,对于任意
下式成立,
(2)
对于任意
下式成立,
(3)
所以,
(4)
因此,(1)式成立。
引入广义拉格朗日函数:
先需要证明:
网上有的博文对(4)式的证明不容易看懂,我证明如下:
首先将
记作函数
。
1)如果
,由于
可以取任意大,因此这时函数
不可能取得最小值。因此函数
只有在
时才可能取得最小值。
2)如果
,
=
,因此(4)式两边等价。
第二步来证明:
(1)
由于原始问题和对偶问题均有最优值,所以可分别假设
那么,对于任意
下式成立,
(2)
对于任意
下式成立,
(3)
所以,
(4)
因此,(1)式成立。
相关文章推荐
- 手推SVM 支持向量机的简易推导和理解
- 广义拉格朗日函数的理解
- 广义拉格朗日函数的理解
- 广义拉格朗日函数的理解
- 支持向量机(SVM)入门理解与推导
- 支持向量机(SVM)的详细推导过程及注解(一)
- 对svm支持向量机的理解
- 支持向量机SVM 原理、推导与Matlab实现
- 如何理解SVM | 支持向量机之我见
- 支持向量机通俗导论(理解SVM的三层境界)
- SVM的个人理解
- 支持向量机通俗导论(理解SVM的三层境界)
- 记深入理解支持向量机SVM的学习过程(问答)
- 【机器学习】支持向量机SVM - 对SVM与核函数的理解及sklearn参数详解
- 支持向量机通俗导论 ——理解 SVM 的三层境界
- 深入理解curl类,可用于模拟get,post和curl下载
- SVM推导过程及SMO详细求解过程(一)
- 支持向量机通俗导论(理解SVM的三层境界)
- 支持向量机通俗导论(理解SVM的三层境界)
- 对SVM的推导和编码实践(二)SMO算法的推导