SVM的kkt条件和对偶问题。
2017-10-25 10:47
218 查看
KKT条件。用于解决不等式优化问题提出的条件。
https://www.zhihu.com/collection/164818780
目标优化函数:minf(x),约束条件为g(x)<=0:
根据KKT条件,原问题转化为:
{
L(x, u) = f(x)+u*g(x)
u>=0
}
根据拉格朗日乘数法解得(KKT条件列表如下):
{
af(x)/a(x)+u*(ag(x)/a(x))=0
u*g(x)=0 //与常规等式约束不同的,在于此公式的存在。
u>=0
}
拉格朗日对偶性以及SVM的对偶问题:
首先:将L(x,u)转化为广义拉格朗日的极大值极小值问题:
其中
{
min f(x),g(x)<=0
L(x,u) = f(x) + u*g(x)
}
当max(u>=0,u)L(x,u) =f(x)
则原问题min(x)f(x) (等价于)min(x)max(u>=0,u)L(x, u)
根据已知推论: max(u>=0,u) min(x) L(x,u)<=min(x)max(u>=0,u)L(x, u)
当 约束条件g(x)为凸函数时候,上式两端相等,所以min-max可以转化为max-min问题的求解。
这就是对偶问题的转化。地址:http://blog.csdn.net/lcj1105/article/details/50053499
9da8
https://www.zhihu.com/collection/164818780
目标优化函数:minf(x),约束条件为g(x)<=0:
根据KKT条件,原问题转化为:
{
L(x, u) = f(x)+u*g(x)
u>=0
}
根据拉格朗日乘数法解得(KKT条件列表如下):
{
af(x)/a(x)+u*(ag(x)/a(x))=0
u*g(x)=0 //与常规等式约束不同的,在于此公式的存在。
u>=0
}
拉格朗日对偶性以及SVM的对偶问题:
首先:将L(x,u)转化为广义拉格朗日的极大值极小值问题:
其中
{
min f(x),g(x)<=0
L(x,u) = f(x) + u*g(x)
}
当max(u>=0,u)L(x,u) =f(x)
则原问题min(x)f(x) (等价于)min(x)max(u>=0,u)L(x, u)
根据已知推论: max(u>=0,u) min(x) L(x,u)<=min(x)max(u>=0,u)L(x, u)
当 约束条件g(x)为凸函数时候,上式两端相等,所以min-max可以转化为max-min问题的求解。
这就是对偶问题的转化。地址:http://blog.csdn.net/lcj1105/article/details/50053499
9da8
相关文章推荐
- 【机器学习-西瓜书】六、支持向量机(SVM):最大间隔;对偶问题;KKT条件
- SVM中的对偶问题、KKT条件以及对拉格朗日乘子求值得SMO算法
- 最优间隔分类器.原始/对偶优化问题.KKT.SVM对偶
- 拉格朗日对偶问题与KKT条件
- SVM中对偶、凸优化与KTT条件问题
- SVM中的Karush-Kuhn-Tucker条件和对偶问题
- SVM中的Karush-Kuhn-Tucker条件和对偶问题
- SVM中的Karush-Kuhn-Tucker条件和对偶问题
- 从对偶问题到KKT条件
- 人工智能里的数学修炼 | 约束问题的优化求解:拉格朗日乘子法、KKT条件与对偶问题
- 拉格朗日对偶问题,以及在SVM中的应用
- KKT条件--约束问题最优化方法
- SVM中KKT条件介绍
- 写在SVM之前——凸优化与对偶问题
- 写在SVM之前——凸优化与对偶问题
- 【转】最优间隔分类、原始/对偶问题、SVM对偶—斯坦福ML公开课笔记7
- 支持向量机(SVM)关键点攻略(最大间隔,对偶问题)
- 砥志研思SVM(二) 拉格朗日乘子法与KKT条件
- SVM对偶问题
- 写在SVM之前——凸优化与对偶问题