常用的微分运算法则

机器学习涉及到较多的数学知识,在工程应用领域,这些数学知识不是必要的,其实很多算法都是数值运算专家写好了的。然而知其然知其所以然,了解这些数学公式的来龙去脉是帮助理解算法的关键。本文直接给出常用的微分运算法则,并运用这些法则来计算分类回归算法 (Logistic Regression) 预测模型 Sigmoid Function 的微分公式。

基础函数的微分运算法则

  • 幂函数法则 $$\begin{align} \frac{d}{dx} x^n = nx^{n-1} \end{align}$$
  • 指数函数法则 $$\begin{align} \frac{d}{dx} e^x = e^x \end{align}$$ $$\begin{align} \frac{d}{dx} a^x = ln(a)a^x \end{align}$$
  • 对数函数法则 $$\begin{align} \frac{d}{dx} ln(x) = \frac{1}{x} \end{align}$$ $$\begin{align} \frac{d}{dx} log_a(x) = \frac{1}{xln(a)} \end{align}$$
  • 三角函数法则 $$\begin{align} \frac{d}{dx} sin(x) = cos(x) \end{align}$$ $$\begin{align} \frac{d}{dx} cos(x) = -sin(x) \end{align}$$ $$\begin{align} \frac{d}{dx} tan(x) = sin^2(x) = \frac{1}{cos^2(x)} = 1 + tan^2(x) \end{align}$$
  • 反三角函数法则 $$\begin{align} \frac{d}{dx} arcsin(x) = \frac{1}{\sqrt{1-x^2}}, -1 < x < 1 \end{align}$$ $$\begin{align} \frac{d}{dx} arccos(x) = -\frac{1}{\sqrt{1-x^2}}, -1 < x < 1 \end{align}$$ $$\begin{align} \frac{d}{dx} arctan(x) = \frac{1}{1+x^2} \end{align}$$

组合函数的微分运算法则

  • 常数法则:如果 $f(x) = n$,n 是常数,则 $$\begin{align} f’ = 0 \end{align}$$
  • 加法法则 $$\begin{align} (\alpha f + \beta g)’ = \alpha f’ + \beta g’ \end{align}$$
  • 乘法法则 $$\begin{align} (fg)’ = f’g + fg’ \end{align}$$
  • 除法法则 $$\begin{align} \left( \frac{f}{g} \right)’ = \frac{f’g - fg’}{g^2} \end{align}$$ 根据除法法则和指数法则,可以得出推论 $$\frac{d}{dx} e^{-x} = \frac{d}{dx} \frac{1}{e^x} = \frac{0-e^x}{e^{2x}} = -\frac{1}{e^x} = -e^{-x}$$
  • 链接法则:如果 $f(x) = h(g(x))$,则 $$\begin{align} f’(x) = h’(g(x)) g’(x) \end{align}$$

计算 Sigmoid Function 的微分

$g(x) = \frac{1}{1+e^{-x}}$ 是分类算法的预测函数,也称为 Sigmoid Function 或 Logistic Function。我们利用上文介绍的微分运算法则来证明 Sigmoid Function 的一个特性:

$$ \frac{d}{dx} g(x) = g(x) (1 - g(x)) $$

方法一

假设 $f(x) = \frac{1}{x}$,则 $f(g(x)) = \frac{1}{g(x)}$,根据除法法则得到

$$ \begin{align} f’(g(x)) & = \left( \frac{1}{g(x)} \right)’ = \frac{1’ g(x) - 1 g’(x)}{g(x)^2} \\ & = - \frac{g’(x)}{g(x)^2} \end{align} $$

其中 (17) 是根据除法法则得出的结论,除数是常数函数 1,被除数是 $g(x)$。(18) 是根据常数法则得出的结论。

另一方面,$f(g(x)) = \frac{1}{g(x)} = 1 + e^{-x}$,根据指数法则直接计算微分得到

$$ \begin{align} f’(g(x)) & = \frac{d}{dx} (1 + e^{-x}) \\ & = -e^{-x} \\ & = 1 - \frac{1}{g(x)} \\ & = \frac{g(x) - 1}{g(x)} \end{align} $$

(18) 和 (22) 两式是相等的,即

$$ \begin{align} - \frac{g’(x)}{g(x)^2} & = \frac{g(x) - 1}{g(x)} \\ g’(x) & = g(x)(1 - g(x)) \end{align} $$

这样就得到了我们的结果。

方法二

由 $g(x) = \frac{1}{1+e^{-x}}$ 的定义可知

$$ \begin{align} & (1+e^{-x})g(x) = 1 \\ \Rightarrow & \frac{d}{dx} \left( (1+e^{-x})g(x) \right) = 0 \\ \Rightarrow & -e^{-x}g(x) + (1+e^{-x})\frac{d}{dx}g(x) = 0 \\ \Rightarrow & \frac{d}{dx}g(x) = g(x) \frac{e^{-x}}{1+e^{-x}} \\ \Rightarrow & \frac{d}{dx}g(x) = g(x) \frac{(1 + e^{-x}) - 1}{1+e^{-x}} \\ \Rightarrow & \frac{d}{dx}g(x) = g(x) \left[ 1 - \frac{1}{1+e^{-x}}\right] \\ \Rightarrow & \frac{d}{dx}g(x) = g(x) (1 - g(x)) \\ \end{align} $$

(26) 两边取微分;(27) 根据微分的乘法法则。

方法三

根据除法法则直接计算微分:

$$ \begin{align} \frac{d}{dx} g(x) & = \frac{d}{dx} \left( \frac{1}{1 + e^{-x}} \right) \\ & = \frac{0 - (- e^{-x})}{(1 + e^{-x})^2} \\ & = \frac{e^{-x}}{(1 + e^{-x})^2} \\ & = \frac{1}{(1 + e^{-x})} \frac{e^{-x}}{(1 + e^{-x})} \\ & = \frac{1}{(1 + e^{-x})} \frac{(1 + e^{-x}) - 1}{(1 + e^{-x})} \\ & = \frac{1}{(1 + e^{-x})} \left[1 - \frac{1}{(1 + e^{-x})} \right] \\ & = g(x) (1 - g(x)) \\ \end{align} $$

(33) 是根据除法法则得出的,其中除数是常数 1,被除数是 $1 + e^{-x}$。

参考资料


Post by Joey Huang under ml on 2015-09-28(Monday) 23:20. Tags: machine-learning,

Comments

comments powered by Disqus

Powered by Pelican and Zurb Foundation. Theme by Kenton Hamaluik.