Что делает поверхность ошибки выпуклой? Определяется ли она матрицей Коваринаса или гессианом?

В настоящее время я узнаю об оценках регрессии методом наименьших квадратов (и других) и из того, что я также читаю в некоторых литературах по адаптивным алгоритмам, часто появляется фраза "... и поскольку поверхность ошибки выпуклая ..." любой глубины относительно того, почему она является выпуклой, для начала не существует.

... Так что именно делает его выпуклым ?

Я нахожу это повторяющееся упущение слегка раздражающим, потому что я хочу иметь возможность разрабатывать свои собственные адаптивные алгоритмы с моими собственными функциями стоимости, но если я не могу сказать, дает ли моя функция стоимости выпуклую поверхность ошибки или нет, я не смогу слишком далеко в применении чего-то вроде градиентного спуска, потому что не будет глобального минимума. Может быть, я хочу проявить творческий подход - возможно, я не хочу использовать наименьших квадратов в качестве моих критериев ошибки, например.

Покопавшись глубже (и мои вопросы начинаются здесь), я обнаружил, что для того, чтобы определить, есть ли у вас выпуклая поверхность ошибки, вы должны убедиться, что ваша матрица Гессе является положительной полуопределенной. Для симметричных матриц этот тест прост - просто убедитесь, что все собственные значения матрицы Гессе неотрицательны. (Если ваша матрица не симметрична, вы можете сделать ее симметричной, добавив ее в свою собственную транспонирование и выполнив тот же тест на собственные значения в силу грамиана , но это здесь не важно).

Что такое гессенская матрица? Матрица Гессе кодифицирует все возможные комбинации частичек вашей функции стоимости. Сколько есть частичных? Столько, сколько число объектов в вашем векторном объекте. Как вычислить частичные? Возьмите частичные производные «вручную» из исходной функции стоимости.

Так что это именно то, что я сделал: я предполагаю, что у нас есть матрица данных x , обозначенная матрицей , где обозначает количество примеров, а обозначает количество признаков в примере. (который также будет числом частичных чисел). Я предполагаю, что мы можем сказать, что у нас есть временных выборок и пространственных выборок от датчиков, но физическое применение здесь не слишком важно. $m$ $n$ $X$ $m$ $n$ $m$ $n$

Кроме того, у нас также есть вектор размером x . (Это ваш вектор «метки» или ваш «ответ», соответствующий каждой строке ). Для простоты я принял для этого конкретного примера. Итак, 2 «примера» и 2 «функции». $y$ $m$ $1$ $X$ $m=n=2$

Итак, теперь предположим, что вы хотите определить «линию» или полином наилучшего соответствия здесь. Таким образом, вы проецируете свои входные данные на свой полиномиальный коэффициент , чтобы ваша функция стоимости была: $\boldsymbol{\theta}$

J (θ) = \frac{1}{2 m} \sum_{i = 1}^{m} [θ_{0} x_{0} [i] + θ_{1} x_{1} [i] - y [i]]^{2}

$J(\theta) = \frac{1}{2m} \sum_{i=1}^{m} \bigg[\theta_{0}x_{0}[i] + \theta_{1}x_{1}[i] - y[i]\bigg]^{2}$

Теперь возьмем первую частную производную по (функция 0). Таким образом: $\theta_{0}$

\frac{δ J (θ)}{δ θ_{0}} = \frac{1}{m} \sum_{i = 1}^{m} [θ_{0} x_{0} [i] + θ_{1} x_{1} [i] - y [i]] x_{0} [i]

$\frac{\delta J(\theta)}{\delta\theta_0} = \frac{1}{m}\sum_{i=1}^{m} \bigg[\theta_{0}x_{0}[i] + \theta_{1}x_{1}[i] - y[i]\bigg] x_{0}[i]$

\frac{δ J (θ)}{δ θ_{0}} = \frac{1}{m} \sum_{i = 1}^{m} [θ_{0} x_{0}^{2} [i] + θ_{1} x_{1} [i] x_{0} [i] - y [i] x_{0} [i]]

$\frac{\delta J(\theta)}{\delta\theta_0} = \frac{1}{m}\sum_{i=1}^{m} \bigg[\theta_{0}x_{0}^{2}[i] + \theta_{1}x_{1}[i]x_{0}[i] - y[i]x_{0}[i]\bigg]$

Теперь давайте вычислим все вторые частичные, поэтому:

\frac{δ^{2} J (θ)}{δ θ_{0}^{2}} = \frac{1}{m} \sum_{i = 1}^{m} x_{0}^{2} [i]

$\frac{\delta^{2} J(\theta)}{\delta\theta_0^{2}} = \frac{1}{m}\sum_{i=1}^{m} x_{0}^{2}[i]$

\frac{δ^{2} J (θ)}{δ θ_{0} θ_{1}} = \frac{1}{m} \sum_{i = 1}^{m} x_{0} [i] x_{1} [i]

$\frac{\delta^{2} J(\theta)}{\delta\theta_0\theta_{1}} = \frac{1}{m}\sum_{i=1}^{m} x_{0}[i]x_{1}[i]$

\frac{δ^{2} J (θ)}{δ θ_{1} θ_{0}} = \frac{1}{m} \sum_{i = 1}^{m} x_{1} [i] x_{0} [i]

$\frac{\delta^{2} J(\theta)}{\delta\theta_1\theta_{0}} = \frac{1}{m}\sum_{i=1}^{m} x_{1}[i]x_{0}[i]$

\frac{δ^{2} J (θ)}{δ θ_{1}^{2}} = \frac{1}{m} \sum_{i = 1}^{m} x_{1}^{2} [i]

$\frac{\delta^{2} J(\theta)}{\delta\theta_1^{2}} = \frac{1}{m}\sum_{i=1}^{m} x_{1}^{2}[i]$

Мы знаем, что гессиан не что иное, как

H (J (θ)) = [\begin{matrix} \frac{δ^{2} J (θ)}{δ θ_{0}^{2}} & \frac{δ^{2} J (θ)}{δ θ_{0} θ_{1}} \\ \frac{δ^{2} J (θ)}{δ θ_{1} θ_{0}} & \frac{δ^{2} J (θ)}{δ θ_{1}^{2}} \end{matrix}]

$H(J(\theta)) = \begin{bmatrix} \frac{\delta^{2} J(\theta)}{\delta\theta_0^{2}} & \frac{\delta^{2} J(\theta)}{\delta\theta_0\theta_{1}} \\ \frac{\delta^{2} J(\theta)}{\delta\theta_1\theta_{0}} & \frac{\delta^{2} J(\theta)}{\delta\theta_1^{2}}\end{bmatrix}$

H (J (θ)) = [\begin{matrix} \frac{1}{m} \sum_{i = 1}^{m} x_{0}^{2} [i] & \frac{1}{m} \sum_{i = 1}^{m} x_{0} [i] x_{1} [i] \\ \frac{1}{m} \sum_{i = 1}^{m} x_{1} [i] x_{0} [i] & \frac{1}{m} \sum_{i = 1}^{m} x_{1}^{2} [i] \end{matrix}]

$H(J(\theta)) = \begin{bmatrix} \frac{1}{m}\sum_{i=1}^{m} x_{0}^{2}[i] & \frac{1}{m}\sum_{i=1}^{m} x_{0}[i]x_{1}[i] \\ \frac{1}{m}\sum_{i=1}^{m} x_{1}[i]x_{0}[i] & \frac{1}{m}\sum_{i=1}^{m} x_{1}^{2}[i] \end{bmatrix}$

Теперь, основываясь на том, как я построил матрицу данных (мои «особенности» идут по столбцам, а мои примеры идут по строкам), гессиан выглядит так : $X$

H (J (θ)) = X^{T} X = Σ

$H(J(\theta)) = X^{T}X = \Sigma$

... который является ничем иным, как образцом ковариационной матрицы !

Так что я не совсем уверен, как интерпретировать - или я должен сказать, я не совсем уверен, насколько обобщенно я должен быть здесь. Но я думаю, что могу сказать следующее:

Всегда правда:
- Матрица Гессе всегда контролирует, является ли ваша поверхность ошибки / стоимости выпуклой.
- Если ваша матрица Гессе имеет полу-полуопределение, вы выпуклые (и можете с удовольствием использовать алгоритмы, такие как градиентный спуск, чтобы сходиться к оптимальному решению).
Правда только для LSE:
- Матрица Гессе для критерия стоимости LSE - не что иное, как исходная ковариационная матрица. (!).
- Для меня это означает, что, если я использую критерий LSE, сами данные определяют, есть ли у меня выпуклая поверхность? ... Что тогда означало бы, что собственные векторы моей ковариационной матрицы каким-то образом способны «формировать» поверхность затрат? Это всегда правда? Или это просто сработало по критериям LSE? Меня просто не устраивает, что выпуклость поверхности ошибки должна зависеть от данных.

Итак, вернемся к контексту исходного вопроса: как определить, является ли погрешность поиска ошибок (на основе выбранной вами функции стоимости) выпуклой или нет? Основано ли это определение на данных или на гессиане?

Благодарность

TLDR: Как именно и практически я могу определить, дает ли моя функция стоимости и / или набор данных выпуклую или невыпуклую поверхность ошибки?

autocorrelation covariance least-squares optimization ошалевший
источник

$a^{2}$ $2a$ $a$ $2$

Поскольку вторая производная положительна, вы имеете дело с выпуклой функцией стоимости. Это эквивалентно положительно определенной гессенской матрице в многомерном исчислении.

$\theta_{1}$ $\theta_{2}$

На практике, однако, часто задействовано много переменных, поэтому нецелесообразно создавать и проверять гессиан.

$J$

J x = b

$Jx=b$

$J$

$J$ $J$

$J$

Я написал статью о линейных и нелинейных решениях методом наименьших квадратов, которая подробно описывает эти темы:

Линейные и нелинейные наименьшие квадраты с Math.NET

Есть также ссылки на великие книги, которые посвящены сложным темам, связанным с наименьшими квадратами (ковариация в параметрах / точках данных, предварительное кондиционирование, масштабирование, регрессия ортогонального расстояния - общее количество наименьших квадратов, определение точности и точности оценки наименьших квадратов и т. Д.). ).

Я сделал пример проекта для статьи с открытым исходным кодом:

LeastSquaresDemo - двоичный файл

LeastSquaresDemo - источник (C #)

ЛИБОР
источник

θ

$\theta$

θ

$\theta$

2) Да, я имею в виду в целом. В линейных наименьших квадратах вся поверхность ошибки имеет постоянный гессиан. Взятие второй производной квадратичного является постоянным, то же самое относится и к гессиану. 3) Это зависит от условий вашей матрицы данных. Если гессиан является spd, у вас есть единственное замкнутое решение, и поверхность ошибки выпуклая во всех направлениях. В противном случае матрица данных плохо обусловлена или единственна. Я никогда не использовал Гессиан, чтобы исследовать это, скорее проверяя единичные значения матрицы данных или проверяя, имеет ли она разложение Холецкого. Оба способа скажут вам, есть ли решение.

Libor

Libor - 1) Если можете, пожалуйста, добавьте, как вы использовали SVD

X

$X$ Матрица данных или то, как вы использовали декомпозицию Choleskey для проверки того, что у вас есть одно закрытое решение, кажется, что они очень полезны, и это хороший момент, и мне было бы интересно узнать, как их использовать. 2) И последнее, просто чтобы убедиться, что я понимаю вас о гессиане: так что гессиан, как правило, является функцией

θ

$\theta$ и / или

X

$X$ , Если это SPD, мы имеем выпуклую поверхность. (Если гессиан имеет

θ

$\theta$ в этом, однако, мы должны были бы оценить это везде, где это кажется). Спасибо еще раз.

Спейси

Мухаммед: 1) Я переписал ответ и добавил ссылки на свою статью о наименьших квадратах (могут быть некоторые ошибки, я еще не опубликовал это официально), включая рабочий пример проекта. Я надеюсь, что это поможет вам глубже понять проблему ... 2) В линейных наименьших квадратах гессиан постоянен и зависит только от точек данных. В целом, это также зависит от параметров модели, но это только случай нелинейных наименьших квадратов.

Libor

Что делает поверхность ошибки выпуклой? Определяется ли она матрицей Коваринаса или гессианом?

Ответы: