机器学习中几种常见优化方法总结

1、梯度下降法

假设f(x)是具有一阶连续偏导数的函数。要求解的无约束最优化问题是:

梯度下降法是一种迭代算法，选取适当的初值x(0)，不断迭代更新x的值，进行目标函数的极小化，直到收敛。由于负梯度方向是使得函数值下降最快的方向，所以在迭代的每一步，以负梯度方向更新x的值，从而达到减少函数值的目的。f(x)具有一阶连续偏导数，若第k次迭代值为x(k),则可将f(x)在x(k)附近进行一阶泰勒展开:

gk是f(x)在x(k)附近的梯度。

2、牛顿法

牛顿法和拟牛顿法也是求解无约束最优化问题的常用方法。

牛顿法的基本思想是用迭代点 x k 处的一阶导数（梯度 g k ）和二阶倒数（海森矩阵 G k ）对目标函数进行二次函数近似，然后把二次模型的极小点作为新的迭代点。牛顿法是迭代算法，每一步需要求解目标函数的海森矩阵的逆矩阵，计算比较复杂。拟牛顿法通过正定矩阵近似海森矩阵的逆矩阵或海森矩阵，简化了这一计算过程。

假设f(x)是具有二阶连续偏导数的函数。要求解的无约束最优化问题是:

假设f(x)具有二阶连续偏导数，若第k次迭代值为x(k),则可将f(x)在x(k)附近进行二阶泰勒展开:

g(k)是f(x)在x(k)附近的梯度,

是海森矩阵

在点x(k)的值。函数f(x)有极值的必要条件是极值点处一阶导数为0，即梯度向量为0.特别是H矩阵为正定矩阵时，函数f(x)的极值为极小值。

牛顿法利用极小点的必要条件

每次迭代从x(k)开始，求目标函数的极小点,作为第k+1次 迭代值x(k+1)。假设x(k+1)满足：

代入f(x)公式，得出

其中

从而x(k+1)满足：

从而推出

但是这里需要求海森矩阵的逆矩阵，计算比较复杂，因此还有一些改进的基本想法。

3、拟牛顿法-BFGS算法

拟牛顿法的思想是考虑用一个n阶矩阵来代替海森矩阵，这就是拟牛顿法的基本思想。

拟牛顿法中最流行的是BFGS（Broyden-Fletcher-Goldfarb-Shanno）算法：

牛顿法的优点是具有二阶收敛速度，缺点是：

• 但当海森矩阵G(xk)=∇2f(x) 不正定时，不能保证所产生的方向是目标函数在xk处的下降方向。
• 特别地，当G(xk)奇异时，算法就无法继续进行下去。尽管修正牛顿法可以克服这一缺陷，但修正参数的取值很难把握，过大或过小都会影响到收敛速度。
• 牛顿法的每一步迭代都需要目标函数的海森矩阵G(xk)，对于大规模问题其计算量是惊人的。

拟牛顿法的基本思想是用海森矩阵 G k 的某个近似矩阵 B k 取代 G k .  B k 通常具有下面三个特点：

• 在某种意义下有Bk≈Gk ,使得相应的算法产生的方向近似于牛顿方向，确保算法具有较快的收敛速度。
• 对所有的k，Bk是正定的，从而使得算法所产生的方向是函数f在xk处下降方向。
• 矩阵Bk更新规则比较简单

输入：目标函数f(x)，精度要求e

输出：f(x)的极小点x*.

（1）、选定初始点x(0)，取B(0)为正定矩阵，置k=0；

（2）、计算gk = g(x(k))，如果小于e（阈值），则得到近似解x(k)，否则继续转（3）；

（3）、由B(k)*p(k) = -g(k)求出p(k)；

（4）、一维搜索：求得 λk使得：

（5）、计算x(k+1)

（6）、计算

若g(k+1)小于阈值，则停止计算，得到近似值，否则继续计算B(k+1)的值

（7）、置k = k+1，转（3）

参考文献

• 统计学习方法 李航
• 梯度-牛顿-拟牛顿优化算法和实现

http://blog.csdn.net/u012176591/article/details/46225289