机器学习牛顿法详解

------------恢复内容开始------------

我们现在学习的机器学习算法，大部分算法的本质都是建立优化模型，通过特定的最优化算法对目标函数（或损失函数）进行优化，通过训练集和测试集选择出最好的模型，所以，选择合适的最优化算法是非常重要的。常见的最优化方法有梯度下降法、牛顿法和拟牛顿法、共轭梯度法，拉格朗日乘数法（约束优化）等等。

本期的主题是牛顿法的详解，为了更好的理解，会简明的说一下梯度下降法的内容。

一、梯度下降法

梯度下降法的本质是，用梯度来进行迭代的方法。即用当前位置的负梯度方向作为搜索方向，可以以理解为切线或者切平面的反方向。因为是切线（切平面），所以此方向为当前位置的最快下降方向。越接近目标值，步长（深度学习中也叫学习率）越小，前进速度越慢。

 

步长是梯度下降法性能的很重要的因素，步长小，效率低；步长大，容易出现震荡现象。那么当样本数量很大时，可想而知这种迭代速度会非常慢，因此梯度下降法衍生出了随机梯度下降法，批梯度下降法，小批梯度下降法。

在求解机器学习模型参数时，梯度下降法是很常用的方法。当目标函数为凸函数时，局部最优点即为全面据最优点，这也是为什么凸函数在机器学习最优化领域受欢迎的原因 。

二、牛顿法

牛顿法主要有两个应用方向：1、求解方程根的问题。2、目标函数最优化求解

先详细介绍牛顿法的原理，再具体介绍牛顿法的两个应用方向。

前面说过，梯度下降法是用梯度来建立迭代关系式的方法，而牛顿法则是用切线来建立迭代关系式的算法（所以也叫切线法）。牛顿法的迭代过程与梯度下降法有相似之处，只不过是用切线与x轴的交点来作为下一轮迭代的起点，如下图所示。第一次迭代是从f（x0）开始，沿着切线的相反方向一直前进到与x轴的交点x1处。第二次迭代从点x1的值f(x1)开始，前进到f（x1）处的切线与x轴的交点x2处。如此持续进行，逐步逼近x*点。需要注意的是，牛顿法是用来求解方程的，因此f(x)与x轴必须有交点x*，这是牛顿法应用的前提。

 

上述求切线交点的过程，也可以看作是近似的泰勒展开过程。把f（x）在x0处展开成泰勒级数f（x）=f（x0）+（x-x0）f'（x0）+......。在x0附近出取线性部分g（x）作为f（x）的近似，将g（x）与x轴的交点近似作为f（x）与x轴的交点，通过一次次近似来逼近方程的根的过程。所以，牛顿法的本质是泰勒展开。

1、用牛顿法求方程的根

一阶泰勒公式：f(x) = f(x0)+(x-x0)f'(x0)+o( (x-x0)^2 )

取线性部分

-------->x(1)=x(0)-f(x(0))/f’(x(0))

-------->x(n+1)=x(n)-f(x(n))/f'(x(n))

Until…

可以看出，在求解方程根时，只用到了一阶收敛。而在解决最优化问题中，二阶收敛才是牛顿法的精髓所在。

2、目标函数用于最优化求解

在机器学习领域中，牛顿法常用来解极值问题。牛顿法最初时为了求解方程的根，不能直接用来求极值。但是，函数极值的一阶导数为0，因此，可以用牛顿法来求解函数一阶导数为0的方程的根，得到极值点。

对于简单的二维函数而言：

二阶泰勒展开：f(x) = f(x0)+(x-x0)f'(x0)+1/2f''(x0)(x-x0)^2+o( (x-x0)^3 )

取线性部分

--------->x(n+1)=xn-f'(x)/f''(x),n=0,1,2….

而对于高维函数而言，同样的道理。

此时f'(xn)为Jacobi(雅克比)矩阵：

f''(xn)为Hessian矩阵：

牛顿法的精髓就是二阶收敛，不仅利用了损失函数的一阶偏导数，也用到了损失函数的二阶偏导数，即梯度变化的趋势，因此比梯度下降法更快的确定合适的搜索方向，具有二阶收敛速度。通俗点来说，梯度下降法时选择下一步能迈出的最大步长，而牛顿法是在选择下一步能迈出的最大步长的基础上，同时也考虑了下下步的选择方向。也就是牛顿法更加具有大局观（如下图）。

注：红色为牛顿法，绿色为梯度下降法

牛顿法公式（高维）：xn+1=xn−[Hf(xn)]^−1*∇f(xn), n=0,1,2….

三、用Rosenbrock函数来测试牛顿法的性能

在数学最优化问题中，Rosenbrock函数是一个用来测试最优化算法性能的非凸函数，也称为香蕉函数。

f(x,y)=(1-x^2)+100(y-x^2)^2.（100可变，但不影响测试）

Rosenbrock函数的每个等高线大致呈抛物线形，其全域最小值也位在抛物线形的山谷中（香蕉型山谷）。很容易找到这个山谷，但是，因为山谷内的值变化不大，所以迭代到最优点是很有难度的。

Rosenbrock山谷

 

可以看出，我们可以很明显的找到谷底所在山谷。

 

牛顿法用了6次迭代，而相同的起始位置梯度下降法要迭代1000次左右，当然，批梯度和随机梯度效率要高一些。

四、牛顿法的优缺点

优点：

1、二阶收敛，收敛效率高。

2、海森矩阵的逆在迭代过程中不断减小，所以步长也逐渐减小。

缺点：

1、对目标函数有较为严格要求函数必须具有连续的一、二阶偏导数，海森矩阵必须正定。

2、计算相当相当相当复杂。

五、牛顿法在非正定Hessian矩阵的使用

那么问题来了，对于Hessian非正定矩阵来说，牛顿法一定不能使用吗。

答案是不一定的，这就涉及到牛顿法的实际使用情况。刚才我们说的那些是理想下的情况，而在现实中我们使用牛顿法时，尤其是三维四维这种高维度下的情况，求Hessian矩阵的逆矩阵太复杂了。为了在不影响精确度的情况下尽可能简化运算，我们用雅可比矩阵乘以雅可比矩阵的转置来代替Hessian矩阵。具体推导过程如下。（电脑没有这些符号，直接手写了）。

（重点！）

推导过程不需要记住，掌握最后的方法就可以。

六、拟牛顿法

虽然非正定矩阵的问题解决了，但即使这样，雅可比矩阵乘以雅可比矩阵的转置计算仍然复杂。所以又有人提出了牛顿法的改进方法——拟牛顿法。它的本质和牛顿法相同，不同的是使用一个正定矩阵来近似Hessian矩阵的逆矩阵，从而简化了运算的复杂度。拟牛顿法在20世纪50年代由一位美国科学家提出，当时极大的推动了非线性优化这一学科的发展，即使在今天，拟牛顿法也是非线性优化领域最有效的方法之一。

有时间会再出一篇拟牛顿法详解。

------------恢复内容结束------------