昨日回顾
昨天推荐了瑞典理工学院,讲解拉格朗日和KKT条件的PPT,
瑞典皇家理工学院:拉格朗日乘子法和KKT条件 PPT下载
这可能是我见过的讲解约束优化最棒的材料,图形和数学符合结合阐述四类常见的约束优化问题,尤其是一直对理解支持向量机的原理有困惑的同学可借鉴。
下面节选几张PPT回顾一下,请看下面这张,对如下符号:
不清楚的同学,看看下面这幅图,马上就会茅塞顿开了吧,它就是一个向量,其方向就是蓝色箭头所指。
如果问题的目标和约束如下:
如果要想取得最小值,必须满足条件:
原因大家看看下面这幅图,就能看明白吧,两个向量的投影为正,正是严格意义上的f(x)的下降。
h(x)为圆形边界约束,它的法向量为如下红框所示,和f(x)为直线的法向量相似。
所以在移动x时,必须沿着以上红框的垂线方向移动,只有这样才能保证满足约束,如下所示:
请看下图,如果移动到关键点时,显然满足以下红框中的等式条件:(其中u为向量的比例系数)
因此,以下幻灯片中的等式成立,并且可以看到在关键点处时,已经无法再移动点,这也就意味着达到了局部最小值。
这是一个重要的等式:
从这个角度解释了拉个朗日乘子法存在的实际意义: