本文介绍了机器学习中的核心概念——凸优化的基础知识。首先定义了凸集的概念，即集合内任意两点连线上的点也属于该集合；其次解释了凸函数的特点，即函数曲线上任意两点连线的各点值都不小于对应的函数值；最后阐述了凸优化问题，当目标函数为凸函数且变量集合为凸集时，可以应用凸优化求解，并强调凸优化问题的局部最优解即是全局最优解。
参考我的博客：http://blog.youkuaiyun.com/GoodShot/article/details/79162032
机器学习中，经常会用到凸集、凸函数、凸优化问题。
这里对这些概念进行介绍，简单介绍其关系。凸集：如果集合A中任意两个元素的连线上的点也在集合内，则为凸集。见下图。 
凸函数：函数任意两点连线上的值大于对应对应自变量出的函数值，则为凸函数。见下图。
凸优化：目标函数是凸函数，变量集合属于凸集，则可以用凸优化处理问题。或者目标函数是凸函数，变量集合的约束函数是凸集合，则也可以用凸优化处理问题。
凸优化问题有一个重要的结论：凸优化问题的局部最优解，就是全局最优解。
常见的凸优化问题：
线性规划：linear programming （注：同下）
二次线性规划：quadratic programming （注：同下）
二次约束二次规划：quadratic contrained programming（注：在http://blog.youkuaiyun.com/goodshot/article/details/79167140中，称作非线性规划问题）
大多书中提到的都是针对这几类“凸优化”（因为上面凸优化的重要结论）
参考文章
1、http://www.cnblogs.com/tornadomeet/p/3300132.html
2、http://blog.youkuaiyun.com/chlele0105/article/details/12238839
扫一扫
1330
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
