这节课主要是讲线性优化的对偶问题。感觉这东西貌似在运筹学的时候被折腾过一遍,现在又来了-_-||
附赠个老的掉牙的段子...
有人问经济学家一个数学问题,经济学家表示不会解...
然后那个人把这个数学问题转成了一个等价的最优化问题,经济学家立马就解出来了...
好吧,我还是乖乖的赘述一遍对偶问题吧,表示被各种经济学最优化问题折磨过的孩子这点儿真是不在话下。
--------------------------------------------------------------------
1. 对偶问题的一般情况
1) 优化问题
一个典型的最优化问题形如:
(不等式约束)
(等式约束)
2) 优化问题的Lagrange (拉格朗日)函数
3) 对偶函数
称为该优化问题的对偶函数。此时,
,显然这个时候一阶偏导数为0。
4) 对偶问题
我们称为原优化问题的对偶问题,可化为最优化问题的标准形式。
如果原优化问题为凸优化,则必为凹函数,从而最终的标准形式依旧是一个凸优化问题。
5) 弱对偶性
令为原问题的解,则,且,.
令为对偶问题的解,则; .
定理(弱对偶性):,即对偶问题的优化值必然小于等于原问题优化值。
6) 强对偶性
当时,两者具有强对偶性;满足该条件的称之为constraint qualifications,如Sliter定理。
强对偶性满足的时候,原优化问题就可以化为一个二步优化问题了。
7) KTT条件(库恩-塔克条件)
局部最优化成立的必要条件:
(一阶条件)
注:SVM满足强对偶性,所以可以直接解对偶问题。
2. 对偶问题应用于SVM
1) SVM的最优化问题
上节课可知,SVM的最优化问题为:
写成标准形式就是
这样这里总计有2N个约束条件。
对应的Lagrange函数为:
这样一阶条件就是
这样最后我们有.
3) 对偶函数
这里的对偶函数就是
4) 对偶问题
5) KKT条件
6) SVM分类器
- 解对偶问题,得到,
- 计算
- 计算:找到一个(非边界上),从而满足。由,我们可得
- 平面分类器: , ,故只与内积有关。
这样下节课就会讲到解对偶问题的方法,以及SVM和kernel methods的联系。