【斯坦福---机器学习】复习笔记之牛顿方法

本文深入探讨了机器学习中的牛顿方法,解释了如何利用牛顿法求解函数极值,强调了在高维空间中计算的挑战。接着介绍了指数族分布,展示了伯努利和高斯分布作为指数族的例子。最后,详细阐述了广义线性模型(GLMs)的基础,包括普通最小二乘法、logistic回归和softmax回归,将这些方法与牛顿方法和指数族联系起来。

本讲大纲:

1.牛顿方法(Newton’s method)
2.指数族(Exponential family)
3.广义线性模型(Generalized linear models)

1.牛顿方法

假设有函数:这里写图片描述,我们希望找到满足这里写图片描述这里写图片描述值. 这里这里写图片描述是实数.
牛顿方法执行下面的更新:
这里写图片描述
下图为执行牛顿方法的过程:
这里写图片描述
简单的来说就是通过求当前点的导数得到下一个点.用到的性质是导数值等于该点切线和横轴夹角的正切值.

这里写图片描述,我们可以用同样的算法去最大化这里写图片描述
这里写图片描述

牛顿方法的一般化:
如果这里写图片描述是一个向量,那么:
这里写图片描述
其中,这里写图片描述这里写图片描述

评论 2
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