知识卡片
最优化问题的数学模型
把优化需求精确化,就得到约束下求极值的模型:x是实数域R上的n维向量,称为决策变量或问题的解;s.t.是subject to的缩写,表示受限于;f(x)是目标函数或代价函数,求它的最小或最大值;h(x)是等式约束,g(x)是不等式约束。无约束问题还可写成argmax或argmin的形式,直接指认取到极值时x的取值。按三个函数的线性与否可分类:f、h、g全为线性是线性规划;任一个非线性即非线性规划;目标为二次、约束全线性是二次规划;目标为向量函数则是多目标规划。先有这套数学描述,才谈得上研究沿什么策略去寻优,它是后续一切梯度算法的起点。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 第5章 梯度寻优
原书出处 · 1 处
- 第5章 梯度寻优 · 查看原书依据
x是一个位于实数域(R)范围内的n维向量,x被称为决策变量或问题的解。 s.t.为英文subject to的缩写,表示受限于。 f(x)称为目标函数或代价函数(Cost Function),如上式,我们要求f(x)的最小值(或最大值)。
参考来源
- 位置:《机器学习算法原理与编程实践》第5章 梯度寻优(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00019.html)
- 结论依据:原文逐项定义x、s.t.、f(x)、h(x)、g(x)与argmax,并按函数线性与否列出四类规划,支撑建模是寻优前提这一判断。
- 原始内容:x是一个位于实数域(R)范围内的n维向量,x被称为决策变量或问题的解。 s.t.为英文subject to的缩写,表示受限于。 f(x)称为目标函数或代价函数(Cost Function),如上式,我们要求f(x)的最小值(或最大值)。