機器學習---拉格朗日乘子和KKT條件
我們這裡提到的最優化問題通常是指對於給定的某一函式，求其在指定作用域上的全域性最小值(因為最小值與最大值可以很容易轉化，即最大值問題可以轉化成最小值問題)。提到KKT條件一般會附帶的提一下拉格朗日乘子。對學過高等數學的人來說比較拉格朗日乘子應該會有些印象。二者均是求解最優化問題的方法，不同之處在於應用的情形不同。
一般情況下，最優化問題會碰到一下三種情況：
（1）無約束條件
這是最簡單的情況，解決方法通常是函式對變數求導，令求導函式等於0的點可能是極值點。將結果帶回原函式進行驗證即可。
（2）等式約束條件
設目標函式為f(x)，約束條件為h_k(x)，形如:
s.t. 表示subject to ，“受限於”的意思，l表示有l個約束條件。
則解決方法是消元法或者拉格朗日法。消元法比較簡單不在贅述，這裡主要講拉格朗日法，因為後面提到的KKT條件是對拉格朗日乘子法的一種泛化。
例如給定橢球:
求這個橢球的內接長方體的最大體積。這個問題實際上就是條件極值問題，即在條件
下，求
的最大值。
當然這個問題實際可以先根據條件消去 z (消元法)，然後帶入轉化為無條件極值問題來處理。但是有時候這樣做很困難，甚至是做不到的，這時候就需要用拉格朗日乘數法了。
首先定義拉格朗日函式F(x)：
（ 其中λk是各個約束條件的待定係數。）
然後解變數的偏導方程：
如果有l個約束條件，就應該有l+1個方程。求出的方程組的解就可能是最優化值（高等數學中提到的極值），將結果帶回原方程驗證就可得到解。
回到上面的題目，通過拉格朗日乘數法將問題轉化為
對
求偏導得到
聯立前面三個方程得到
和
，帶入第四個方程解之
帶入解得最大體積為：
（3）不等式約束條件
設目標函式f(x)，不等式約束為g(x)，有的教程還會新增上等式約束條件h(x)。此時的約束優化問題描述如下：
則我們定義不等式約束下的拉格朗日函式L，則L表示式為：
其中f(x)是原目標函式，hj(x)是第j個等式約束條件，λj是對應的約束係數，gk是不等式約束，uk是對應的約束係數。
常用的方法是KKT條件，同樣地，把所有的不等式約束、等式約束和目標函式全部寫為一個式子L(a, b, x)= f(x) + a*g(x)+b*h(x)，
KKT條件是說最優值必須滿足以下條件：
1）L(a, b, x)對x求導為零；
2）h(x) =0;
3）a*g(x) = 0;
求取這些等式之後就能得到候選最優值。其中第三個式子非常有趣，因為g(x)<=0，如果要滿足這個等式，必須a=0或者g(x)=0. 這是SVM的很多重要性質的來源，如支援向量的概念。
接下來主要介紹KKT條件，推導及應用。詳細推導過程如下：
從幾何角度看拉格朗日乘子法的物理意義：
 |
該方法適用於約束條件下求極值的問題。對於沒有約束的極值問題，顯然，如果某一點是極值的必要條件是該點的各方向的偏導數皆為零，也就是說，如果偏導數不全為零，那麼就不可能是極值。
例如，一個三元函式w(x,y,z), 它是x,y,z的函式，且在一個約束條件下求它的極值。我們假設圖中的曲面就是約束方程g(x,y,z)=0的影象，即約束面。之前沒有約束面時，w取極值的必要條件是各個方向偏導數為零，而對於可微函式各個方向偏導為零的充分必要條件是沿x,y,z 方向的偏導為零。現在有了約束面，我們不再需要這麼苛刻的必要條件，因為有了約束面，x,y,z在一定程度上被限制了，只能在約束面內移動，因此只需要沿約束面內的各個方向運動時的偏導數（變化化率）為零就可以了，此時自由度由三維下降到兩維。滿足在約束面內的各個方向偏導為零，也就是說，w取極值的必要條件減弱為待求函式的方向導數（梯度）垂直於約束面，從數學上看，也就是方向導數和約束面的法線方向同向（一個向量等於另一個向量的常數倍），而不需要梯度為零，因為和梯度垂直的方向偏導數一定為零，這樣，沿約束面各個方向運動時w的偏導數也就為零了。這便是拉格朗日乘子法求極值的幾何意義。
極值點的2個條件：
1、極值點在優化函式及約束方程上；
2、在極值點，優化函式的等高線、優化函式與約束方程交線、約束曲線相切，優化函式與約束方程交線的梯度（導數）為0
可利用這2個條件求解：
一、根據1將約束方程帶入優化函式消元、降維變成無約束低維問題求解，根據2求梯度為0
二、根據2構造似然函式L（X，λ），使在特殊條件下滿足1和2，對L（X,λ）解特殊條件。