为什么凸性会让 KKT 特别有力
为什么在很多凸优化问题里,KKT 条件不只是必要条件,而且也是充分条件?
打开 →GLOBAL SEARCH
搜索在服务端完成,题目解析与答案不会进入搜索结果。登录后可搜索自己的收藏题单。
找到 25 个结果
English questions为什么在很多凸优化问题里,KKT 条件不只是必要条件,而且也是充分条件?
打开 →请给出一个原因,说明在非凸问题里只解 KKT 方程为什么可能找不到全局最优。
打开 →最小化 $1x^2+3y^2$,约束为 $x+y\ge 4$。求 $(x^*,y^*)$ 以及 KKT 乘子。
打开 →在应用 KKT 时,为什么 Slater 条件这类正则性条件很重要?
打开 →最小化 $(x-2)^2$,约束为 $x\ge 0$。使用 KKT 形式 $g(x)=0-x\le 0$,求最优解 $x^*$ 与最优乘子 $\lambda$。
打开 →考虑最小化 $(x-1)^2+(y-1)^2$,约束为 $x+y\ge 1$。在最优点处,不等式是激活还是不激活?KKT 对乘子 $\lambda$ 有什么结论?
打开 →考虑最小化 $(x-2)^2+(y--1)^2$,约束为 $x+y\ge 0$。在最优点处,不等式是激活还是不激活?KKT 对乘子 $\lambda$ 有什么结论?
打开 →最小化 $(x--2)^2$,约束为 $x\ge -1$。使用 KKT 形式 $g(x)=-1-x\le 0$,求最优解 $x^*$ 与最优乘子 $\lambda$。
打开 →考虑最小化 $(x--1)^2+(y-3)^2$,约束为 $x+y\ge 1$。在最优点处,不等式是激活还是不激活?KKT 对乘子 $\lambda$ 有什么结论?
打开 →最小化 $x^2+y^2$,约束为 $x+y\ge 1$。对不等式 $g(x,y)=1-x-y\le 0$,求 $(x^*,y^*)$ 与最优 KKT 乘子。
打开 →两个特征几乎重复,但在经济上都很有意义。为什么 Elastic Net 在这种情况下常常比纯 Lasso 表现更好?
打开 →为什么 ridge 与 lasso 在正则化参数设为零时都会退化成 OLS?
打开 →一个标准化 lasso 拟合的得分向量是 (4.1, 2.3, 1.7)。使所有系数都恰好变成 0 的最小 lambda 是多少?
打开 →在正交设计下的一步 lasso 更新中,某坐标的得分是 z = -3.2,惩罚参数 lambda = 0.7。软阈值之后的系数是多少?
打开 →在线性模型的高斯噪声设定下,给 beta 施加什么样的高斯先验会让 ridge 成为 MAP 估计?
打开 →为什么 ridge 解的范数通常会随着 lambda 增大而下降?
打开 →为什么实践中在选择正则化参数时,很多人会偏好 one-standard-error rule,而不是直接选交叉验证误差最小的那个点?
打开 →为什么很小的 lambda 会让正则化解贴近 OLS?
打开 →为什么最优乘子常被解释为放松或收紧约束时的边际价值?
打开 →向 PM 用直白语言解释 complementary slackness,可以把约束理解成稀缺资源配额。
打开 →在一个正交坐标里,若 z = 7,什么样的最小 lambda 会把 lasso 系数压成零?
打开 →在正交单特征情形下,若 z = x^T y,为什么 ridge 对所有 lambda >= 0 都会保留 z 的符号?
打开 →若 ridge 在 R^p 中的最优解是 beta_hat_lambda,那么什么样的半径 t 会让它同时解出约束问题 min RSS(beta) subject to ||beta||_2 <= t?
打开 →在正交坐标里,ridge 会用 d/(d+lambda) 的比例收缩 beta_ols。若目标收缩比例是 r in (0,1),lambda 应是多少?
打开 →你可以在一枚获胜概率 $p=0.8$ 的等额赔率硬币上押注,但流动性规则要求你始终保留至少一半的总财富为未动用现金,因此押注比例满足 $f\le 0.5$。建立期望对数增长的约束最大化问题,用 KKT 条件确定最优押注,并说明储备约束是否起作用。
打开 →