LM算法——列文伯格-马夸尔特算法（最速下降法，牛顿法，高斯牛顿法）（完美解释负梯度方向）

二郎就不设置什么VIP可见啥的了，这样大家都能看到。
如果觉得受益，可以给予一些打赏，也算对原创的一些鼓励，谢谢。
钱的用途：1）布施给他人；2）二郎会有更多空闲时间写教程

首先谈一下应用场景——在拟合的时候进行应用
什么是拟合？你有一堆数据点，我有一个函数，但是这个函数的很多参数是未知的，我只知道你的这些数据点都在我的函数上，因此我可以用你的数据点来求我的函数的未知参数。例如：matlab中的fit函数
最小二乘法天生就是用来求拟合的，看函数和数据点的逼近关系。它通过最小化误差的平方和寻找数据的最佳函数匹配进行求解。

拟合我们可以认为是一种试探性的方法，这种方法在计算机出来以前很多情况下是不可能实现的，为什么，因为公式涉及了大量的迭代过程，也就是我想要通过数据点求函数的参数，没有解析解能够直接代入数据求得参数，而是通过一点一点的摸索尝试，最终得到最小误差也就是最好拟合。最具有代表性的就是暴风法，把所有可能的结果都带进去，找到最好的拟合。然后聪明的人类不想这么鲁莽，并且这么无目的地寻找，于是人们开始研究参数向什么方向迭代是最好的，于是便出现了梯度方向等一系列方法。

有最速下降法、Newton 法、GaussNewton(GN)法、Levenberg-Marquardt(LM)算法等。

方法	介绍
最速下降法	负梯度方向，收敛速度慢
Newton 法	保留泰勒级数一阶和二阶项，二次收敛速度，但每步都计算Hessian矩阵，复杂
GN法	目标函数的Jacobian 矩阵近似H矩阵，提高算法效率，但H矩阵不满秩则无法迭代
LM法	信赖域算法，解决H矩阵不满秩或非正定，
通过对比的形式想必大家已经记住了这一堆优化的方法，很多情况下使用中都是优化方法的改进方法，因此掌握了这些方法，改进方法也不是太难了。
这里还想说明一点上面的最速下降法，很多人都在问的一个问题，为什么最速下降方向取的负梯度方向？？？为什么？这个可以看我们求导数的时候（梯度和导数的关系完美解析在我之前的博文中），
其实我们从图中不难看出，左侧，y随着x增加时，导数为正，因此导数的方向我们可以定义为指向x正方向，x与导数同向也就是x也逐渐增加时，函数是增大的。右侧，y随x增加而较小，导数为负，我们这里还定义导数的方向此时指向x负半轴，因此x沿负方向减小时，函数值是逐渐增大的，这里需要记住和注意，沿着导数方向，我们的函数值是逐渐增大的。
解释清了上面一点，我们就可以再升几维，在一维时我们的方向只能谈论左右，而上升到二维时，我们的方向就成了平面的360度了，此时就引出了梯度，下图是二维梯度
其实我们还是可以看出，梯度就是由导数组成的，完全可以说成是多维导数，而在一维导数存在的性质，上升了维度，我们的本质是不变的，因此我们只需要沿着每个维度的导数方向变化，我们的函数值就会增加。这里有个证明，沿梯度是增加最快的，我们可以引入方向导数，方向导数定义的在点P，沿某一方向的变化率。
求变化率我们就需要公平一点，各方向变化的尺寸是相同的，可以写一个圆，
半径为
$\rho =\sqrt{{\left(\Delta x\right)}^2+{\left(\Delta y\right)}^2}$