机器学习课程

本文深入探讨了在解决多元函数极小值问题时,为何选择偏导数迭代法而非直接应用多元函数极值计算法。通过引入条件极值法与拉格朗日乘数法的比较,强调了样本集在特定条件下的局限性,进一步阐述了偏导数迭代法的优势与适用场景。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


求最小值,

为什么不直接用多元函数极值计算法呢?而要用偏导数不停迭代呢? 


突然想到,这个还可以用条件极值法来求最小值,用拉格朗日乘数法。

那条件是什么呢?条件就是训练的样本。

错!样本并非一定落在h()上,所以不能用来做条件极值。


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值