知识卡片
重加权代理绕开尖点
迭代重加权最小二乘法为稀疏多元逻辑回归构造目标的局部代理,在旧参数处贴合,并用曲率界处理似然与先验。每步可变为加权线性系统,高维和多类别时联合参数矩阵很大,代理虽然易解于形式,构造和分解的成本仍会成为瓶颈。
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
原书出处 · 1 处
- 快速稀疏多元逻辑回归 9.1.1 迭代重加权最小二乘法 · 查看原书依据
可以借用边界优化算法的思想,通过引入代理函数Q,并对代理函数Q进行迭代最大化以达到优化L(w)的目的,那么有
参考来源
- 位置:《分布式机器学习:交替方向乘子法在机器学习中的应用》第9章《快速稀疏多元逻辑回归》9.1.1 迭代重加权最小二乘法(来源项目 book-source,源文件:extracted/分布式机器学习:交替方向乘子法在机器学习中的应用/_epub-src/OEBPS/Text/chapter9.xhtml)
- 结论依据:9.1.1 迭代重加权最小二乘法中的定义、更新式或实验叙述提供本卡依据。迭代重加权最小二乘法为稀疏多元逻辑回归构造目标的局部代理,在旧参数处贴合,并用曲率界处理似然与先验。
- 原始内容:可以借用边界优化算法的思想,通过引入代理函数Q,并对代理函数Q进行迭代最大化以达到优化L(w)的目的,那么有