Wypukłość

Analiza jednowymiarowa od pierwszych zasad

Wypukłość (ang. convexity) to kształt, który sprawia, że optymalizacja jest prosta. Funkcja wypukła w całej swojej dziedzinie wygina się w górę jak miska, i ta jedna właściwość bardzo ułatwia jej minimalizację: istnieje dokładnie jedno najniższe miejsce, a każda ścieżka w dół prowadzi prosto do niego.

Istnieją trzy równoważne sposoby na opisanie wypukłości. Po pierwsze, druga pochodna na całej dziedzinie jest nieujemna: f″(x) ≥ 0. Po drugie, krzywa wygina się ku górze i nigdzie nie wygina się w dół. Po trzecie (co jest geometryczną definicją wypukłości), cięciwa łącząca dowolne dwa punkty leży nad krzywą.

Wyobraź sobie gładką dolinę lub wnętrze miski i upuść szklaną kulkę gdziekolwiek na niej. Bez względu na to, skąd zaczyna, kulka zawsze toczy się w dół do jednego najniższego punktu i tam osiada. To jest dokładnie to, co daje ci wypukłość: jedna dolina, żadnych fałszywych den, więc każda ścieżka w dół prowadzi do jednego prawdziwego minimum.

Gdzie to występuje w MLWypukłość to linia podziału w uczeniu maszynowym. Regresja liniowa i logistyczna oraz modele SVM mają wypukłe funkcje straty: mają tylko jedno globalne minimum, więc trenowanie jest niezawodne i w pełni powtarzalne. Z kolei Głębokie sieci neuronowe mają niesamowicie niewypukłe powierzchnie straty, z niezliczoną ilością lokalnych minimów i punktów siodłowych. Dlatego dobór losowych wag…
▶ Wypukłość
← Test drugiej pochodnejWprowadzenie do algorytmu spadku wzdłuż gradientu →