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
就简单了很多。但不幸的是,恰恰相反,凸函数并不多见,而更多的是属于如图5.4所示的情况。 图5.4 局部最优与全局最优
最优化的目标函数常常会呈现如图5.4所示的情况,即具有多个极小值。其中每个圈出的点都代表了一个局部极小值。如果函数的定义域为[-10,10],那么第一个极小值就是全局最优点。大多数传统的最优化理论和算法都只能保证找到满意解(局部最优解)。
为了避免陷入局部最优,人们尽可能使用凸函数作为优化问题的目标函数,例如本章讲到的Logistic函数就是这种情况。凸优
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