【机器学习笔记】Hessian矩阵

看牛顿法的时候，遇到的这个问题
原问题是要用牛顿法求对数似然函数 l(θ) 的最大值，也就是似然函数导数的零点，即迭代过程为：

θ:=θ−l′(θ)l′′(θ)

如果 θ 为向量，就会想，函数对向量求导怎么求？
所以查了一下：

1. 标量对向量求导：

结果是向量

事实上这就是所谓的Gradient，即对于一般标量函数 f(x) , 其中向量为 x=(x1,...,xn)，导数为：

∂f∂x=(∂f∂x1,...∂f∂xn)

也记为： ∇f

2. 向量对向量求导：

结果是矩阵

一阶导

这个当然也是gradient，当然这准确的说应该叫matrix gradient. 即对于向量值函数 f(x) , 其中 x=(x1,...,xn) ， f=(f1,...,fm) , 导数为：

∂f∂x=∂fT∂x=[∂f1∂x,...∂fm∂x]=⎡⎣⎢⎢⎢⎢⎢⎢⎢∂f1∂x1⋮∂f1∂xn⋯⋱⋯∂fm∂x1⋮∂fm∂xn⎤⎦⎥⎥⎥⎥⎥⎥⎥

这个矩阵也叫做 Jacobian 矩阵

二阶导：

二阶导数就是Hessian矩阵，形式如下：

H(f)=⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢∂2f∂x21∂2f∂x2∂x1⋮∂2f∂xn∂x1∂2f∂x1∂x2∂2f∂x22⋮∂2f∂xn∂x2⋯⋯⋱⋯∂2f∂x1∂xn∂2f∂x2∂xn⋮∂2f∂x2n⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥

或者可以用更抽象的定义：

Hi,j=∂2f(x)∂xi∂xj

明确了这一点，就能够给出 θ 时的迭代形式了：

θ:=θ−H−1∇θl(θ)

参考：

https://www.zhihu.com/question/58312854
http://blog.csdn.net/linolzhang/article/details/60151623