文章目錄
- 一、基本概念
- 1.1 協方差矩陣 及推導
- 1.2 Hessian矩陣
- 1.3 Hessian矩陣 示例
- 1.3 正定矩陣定義及性質
- 1.4 正定矩陣 示例
一、基本概念
1.1 協方差矩陣 及推導
在統計學中用标準差描述樣本資料的 “散布度” 公式中之是以除以 n-1 而不是 n,
是因為這樣使我們以較少的樣本集更好的逼近總體标準差。即統計學上所謂的 “無偏估計”。
關于 協方差 與 散度
方差:
各個次元偏離其均值的程度,協方差:
協方差矩陣的計算:
1.2 Hessian矩陣
Hessian矩陣定義:
若一進制函數 在 點的某個領域内具有任意階導數,則 在 點的泰勒展開式為:
其中:
二進制函數 在點處的泰勒展開式為:
其中:
将上述(2)展開式寫成矩陣形式,則有:
即為:
其中:
是 在 點處的Hessian矩陣。它是由函數 在 點處的二階偏導數所組成的方陣。我們一般将其表示為:
簡寫成:
1.3 Hessian矩陣 示例
1.3 正定矩陣定義及性質
線上性代數中,正定矩陣(positive definite matrix)簡稱正定陣。
定義:A是n階方陣,如果對于任何非零向量x都有就稱A正定矩陣。