✏️
LiHang-TongJiXueXiFangFa
  • Introduction
  • 第2章 感知机 - 原始形式
    • 学习策略的推导
    • 梯度下降法的算法过程
    • 梯度下降法的推导过程
    • 梯度下降法的收敛证明
  • 第2章 感知机 - 对偶形式
    • 学习模型的推导
    • 梯度下降法的算法过程
    • 梯度下降法的推导过程
  • 第3章 k近邻算法
    • 模型三要素
    • 构造平衡kd树
    • 用kd树的k近邻搜索
    • kd树的原理与改进
  • 第4章 朴素贝叶斯
    • 模型公式的推导
    • 策略公式的推导
    • 最大似然估计算法过程
    • 贝叶斯估计算法过程
  • 第5章 决策树
    • 决策树的模型
    • 信息增益的算法
    • ID3决策树的生成算法
    • C4.5决策树的生成算法
    • 决策树的剪枝算法
  • 第5章 CART决策树
    • CART树的生成
    • CART树的剪枝
  • 第6章 逻辑回归
    • 二分类逻辑回归模型
    • 多分类逻辑回归模型
  • 第6章 最大熵模型
    • 最大熵的原理
    • 最大熵模型的定义
    • 最大熵的学习过程
    • 根据最大熵的学习过程推导最大熵模型
    • 证明:对偶函数的极大化=模型的极大似然估计
  • 第6章 目标函数最优化问题
    • 改进的迭代尺度法(IIS)
    • IIS算法公式(1)推导
    • A和B的推导
    • 拟牛顿法
  • 第7章 支持向量机
    • 函数间隔与几何间隔
  • 第7章 线性可分SVM
    • 凸二次规划问题推导
    • 支持向量
    • 凸二次规划问题求解
    • 原始问题转换为对偶最优化问题
  • 第7章 线性SVM
    • 原始问题转换为对偶最优化问题
    • 根据 a 求 w 和 b*
    • 支持向量
  • 第7章 非线性SVM
    • 核函数与核技巧
    • 核技巧在SVM中的应用
    • 7.3.2 正定核
    • 常用的核函数
  • 第7章 序列最小最优化算法
    • 选择变量
    • 推导1
    • 推导2
    • 推导3
    • 推导4
    • 推导5:update b
  • 第8章 adaboost
    • 算法过程
    • 训练误差分析
    • 加法模型
    • 前向分步算法
    • adaboost一种特殊的加法模型
  • 第8章 提升树
    • 回归问题提升树的推导
    • 回归问题提升树前向分步算法
    • 一般决策问题梯度提升算法
  • 第9章 EM算法
    • 算法过程
    • Q函数的推导
    • 关于算法的收敛性
    • 高斯混合模型参数估计的EM算法
    • Q函数推导
    • 推导2
  • 第10章 隐马尔可夫模型
    • 定义
    • 概率计算问题 - 直接计算法
    • 概率计算问题 - 前向算法
    • 概率计算问题 - 后向算法
    • 学习问题 - 监督学习
    • 学习问题 - 非监督学习
    • Baum - Welch算法推导
    • 推导1
    • 预测问题 - 近似算法
    • 预测问题 - 维特比算法
    • 维特比算法推导过程
  • 第11章 条件随机场
    • 概率无向图模型
  • 遗留问题
Powered by GitBook
On this page
  • 背景
  • 算法过程

Was this helpful?

  1. 第6章 目标函数最优化问题

改进的迭代尺度法(IIS)

Previous第6章 目标函数最优化问题NextIIS算法公式(1)推导

Last updated 5 years ago

Was this helpful?

IIS,improved iterative scaling 最大熵模型学习的最优化算法

背景

在中已经求出了最大熵模型。想要解出最大熵模型就要先解出“最大熵模型的对偶函数的极大化”。 在中已证明”最大熵模型的对偶函数的极大化=最大熵模型的对数似然函数的极大似然估”。这个问题又进一步转化为求“最大熵模型的对数似然函数的极大似然估”。

即找到一个w使得L(w)最大

L(w)=∑x,yP~(x,y)∑i=1nwifi(x,y)−∑xP~(x)log⁡Zw(x)L(w) = \sum_{x,y} \tilde P(x, y) \sum_{i=1}^n w_if_i(x, y) - \sum_x \tilde P(x) \log Z_w(x)L(w)=x,y∑​P~(x,y)i=1∑n​wi​fi​(x,y)−x∑​P~(x)logZw​(x)

算法过程

算法6.1 改进的迭代尺度算法 IIS

输入: 特征函数f1,f2,⋯ ,fnf_1,f_2,\cdots,f_nf1​,f2​,⋯,fn​ 经验分布:P~(X,Y)\tilde P(X, Y)P~(X,Y) 模型:Pw(Y∣X)P_w(Y|X)Pw​(Y∣X)

输出: 最优模型参数wi∗w_i^*wi∗​ 最优模型Pw∗P_{w*}Pw∗​

过程: 1. 对所有i∈1,2,⋯ ,ni \in {1,2,\cdots,n}i∈1,2,⋯,n,取初值wi=0w_i=0wi​=0 2. 选择一个i∈1,2,⋯ ,ni \in {1,2,\cdots,n}i∈1,2,⋯,n,令δi\delta_iδi​满足方程:

∑x,yP~(x)Pw(y∣x)fi(x,y)exp⁡(δi)f#(x,y))=EP~(fi)f#=∑ifi(x,y)1\begin{aligned} \sum_{x,y}\tilde P(x)P_w(y|x)f_i(x, y)\exp(\delta_i)f^\#(x,y))=E_{\tilde P}(f_i) \\ f^\# = \sum_if_i(x,y) && {1} \end{aligned}x,y∑​P~(x)Pw​(y∣x)fi​(x,y)exp(δi​)f#(x,y))=EP~​(fi​)f#=i∑​fi​(x,y)​​1​

求解δi\delta_iδi​ 3. wi=wi+δiw_i = w_i + \delta_iwi​=wi​+δi​ 4. 如果不是所有wiw_iwi​都收敛,迭代进行2,3

根据最大熵的学习过程推导最大熵模型
证明:对偶函数的极大化=模型的极大似然估计