【最优化】教你用牛顿法寻找最优点

1

前言

在最速梯度下降法中,可以知道迭代点的更新为：x^(k+1)=x^(k)+tkdf(x^(k)) ,可以看到只用到了目标函数的一阶导数信息（迭代方向df(x^(k))），而牛顿法则用到了二阶导数信息，下面讲解如何用到了二阶导数信息。

2

牛顿法思想

用目标函数的二阶泰勒展开近似该目标函数，通过求解这个二次函数的极小值来求解凸优化的搜索方向。

3

牛顿法推导

以上推导来自于：凸优化(七)——牛顿法

转自：机器学习算法与自然语言处理

完整内容请点击“阅读原文”