← 返回卡片

原书出处

机器学习算法原理与编程实践

05 第5章 梯度寻优

核验版本的摘录快照 · 导入于 2026-11-19T03:09:27.764Z

exp(x1 ))是Rn 上的凸函数。 几何平均: 是在定义域 上的凸函数。 范数。 以上函数在本书各个章节中都有涉及。

我们花费这么多篇幅研究凸函数的目的在于,由凸函数构成的凸优化具有很好的性质。 (1)凸优化的任一局部极小(大)点也是全局极小(大)点,且全体极小(大)点的集合为凸集。 (2)凸优化的任一局部最优解都是它的整体最优解。

在最优化理论中,局部最优被称为满意解,全局最优被称为最优解。如果能够由一个凸函数构造出待优化问题的数学模型,那么就可以

此预览只包含定位所需的摘录和上下文。

原书定位详情

来源:a19c7933-4eda-4176-aebd-30fe7e1ad292

正文位置:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00019.html

EPUB SHA-256:70d8d79af4c27e857a132f2bb0cf0dbfa14854fa17c13eacb72320d7c9bf315d