人工智能之數學(三) ------ 凸優化

一.機器學習中的優化問題 損失函數 : 模型與實際數據匹配程度越好,損失函數就越小,如果相差較大,損失函數也會相對比較大 正則化函數 : 模型很複雜,對於訓練數據擬合性很好,但是對於未見過的數據擬合較差,因此可通過正則化的函數控制模型的複雜度,避免模型過於擬合訓練數據,對於新來的數據有泛化的能力 實例 : 數學優化的形式化:通過數學的建模來求解問題,數學的優化可歸納成標準形式,入下圖所示: 首先需

>>阅读原文<<