Hessian 矩阵(海森矩阵)是一个包含二阶偏导数信息的方阵,在数学和优化中起着重要作用。对于一个多元函数,其 Hessian 矩阵是由其各个变量的二阶偏导数组成的矩阵。
假设有一个函数,其 Hessian 矩阵 (H) 的元素是:
其中 和 是变量的索引,表示函数对变量 和 进行求导两次得到的结果。
Hessian 矩阵提供了函数局部极值的信息。在优化问题中,通过分析 Hessian 矩阵的特征值和特征向量,可以判断局部极值点的性质。比如:
- 当 Hessian 矩阵在某点是正定(所有特征值均为正),这个点是局部最小值点。
- 当 Hessian 矩阵在某点是负定(所有特征值均为负),这个点是局部最大值点。
- 当 Hessian 矩阵在某点的特征值有正有负,这个点是鞍点(saddle point)。
Hessian 矩阵在优化算法中的应用非常广泛,特别是对于牛顿法等利用二阶导数信息的算法。
考虑一个简单的二元函数:
这个函数的 Hessian 矩阵是:
这个矩阵中的元素 表示函数对 和的二阶偏导数。在这个例子中,、,其余元素为零。
观察 Hessian 矩阵的特征值:
其中 是单位矩阵, 是特征值。解这个方程可以得到 Hessian 矩阵的特征值。
对于这个例子,特征值为和,都是正值,说明这个函数在原点附近是一个局部最小值点。这与我们对函数形式的了解是一致的,因为是一个沿着 x 方向开口朝上的二次型,所以原点是一个局部最小值点。
版权声明:本文为博主作者:Chen_Chance原创文章,版权归属原作者,如果侵权,请联系我们删除!
原文链接:https://blog.csdn.net/qq_44154915/article/details/134479134