Partial Derivative
Based on the lecture “Mathematics for Artificial Intelligence (2022-1)” by Prof. Yeo Jin Chung, Dept. of AI, Big Data & Management, College of Business Administration, Kookmin Univ.
편미분(Partial Derivative)
-
정의 : 다변수함수 $y=f(x,\cdots)$ 에 대하여, 변수 $x$ 를 제외한 모든 변수를 일정한 상수로 고정하였을 때 $x$ 축에 평행한 방향에 대한 $y$ 의 순간변화율
-
$z$ 에 대한 $x,y$ 의 2변수함수 $f$ 를 상정하자
\[z=f(x,y)\] -
$y=b$ 로서 고정되어 있을 경우, $z$ 는 $x$ 만의 함수라고 볼 수 있음
\[z=f(x,y=b)\] -
$z$ 에 대한 $x$ 만의 함수 $f(x,y=b)$ 가 $x=a$ 에서 미분 가능하다고 하자
\[\begin{aligned} \frac{\partial}{\partial x}f(a,b) &= \lim_{h\rightarrow 0}\frac{f(a+h,b)-f(a,b)}{h} \end{aligned}\] -
$(a,b)$ 에서 $x$ 에 관한 편미분계수(Partial Derivatial) 를 다음과 같이 표현함
\[\begin{aligned} D_{x}f(x=a,y=b) &=f_{x}(x=a,y=b)\\ &=\frac{\partial}{\partial x} f(x=a,y=b)\\ &=\frac{\partial z}{\partial x} \end{aligned}\]
-
- 예시
- 고계편도함수 : 다변수함수에 대하여 그 편도함수의 편도함수
-
$z$ 에 대한 $x,y$ 의 2변수함수 $f$ 를 상정하자
\[z=f(x,y)\] -
$f$ 의 $x,y$ 에 대한 1계편도함수는 다음과 같음
\[f_{x}(x,y) = \frac{\partial}{\partial x}f(x,y)\\ f_{y}(x,y) = \frac{\partial}{\partial y}f(x,y)\] -
1계편도함수의 $x,y$ 에 대한 편도함수는 다음과 같음
\[\begin{aligned} f_{xx}(x,y) &= (f_{x})_{x}\\ &= \frac{\partial^2}{\partial x^2}f(x,y)\\\\ f_{xy}(x,y) &= (f_{x})_{y}\\ &= \frac{\partial^2}{\partial y \partial x}f(x,y)\\\\ f_{yx}(x,y) &= (f_{y})_{x}\\ &= \frac{\partial^2}{\partial x \partial y}f(x,y)\\\\ f_{yy}(x,y) &= (f_{y})_{y}\\ &= \frac{\partial^2}{\partial y^2}f(x,y) \end{aligned}\]
-
2변수함수의 극값
-
2변수함수의 그래프
- 2변수함수 $z=f(x,y)$ 의 그래프 ${(x,y,f(x,y)) \vert (x,y)\in D(f)}$ 는 $xyz$-공간에서의 곡면임
- 2변수함수의 임계점
-
임계점(Critical Point) : 함수의 1계편도함수 값이 $0$ 이거나 존재하지 않는 지점
\[f_x = f_y = 0\] -
극점(Local Extremum Point) : 임계점 중에서 극값을 갖는 지점
- $f$ 의 임계점 $(a,b)$ 의 모든 열린 근방 $(x,y)$ 에 대하여 다음 중 하나만을 만족하는 경우
- 극대점 : $f(a,b) \leq f(x,y)$
- 극소점 : $f(a,b) \ge f(x,y)$
-
이는 $x,y$ 에 대한 이계편도함수가 다음을 만족함을 의미함
\[f_{xx} \cdot f_{yy} - f^{2}_{xy} > 0\]
- $f$ 의 임계점 $(a,b)$ 의 모든 열린 근방 $(x,y)$ 에 대하여 다음 중 하나만을 만족하는 경우
-
안장점(Saddle Point) : 임계점 중에서 극값을 갖지 않는 점으로서, 어떤 측면에서는 극소값이 되고, 동시에 다른 측면에서는 극대값이 되는 지점
- $f$ 의 임계점 $(a,b)$ 의 모든 열린 근방 $(x,y)$ 에 대하여 다음을 동시에 만족하는 경우
- $f(a,b) \leq f(x,y)$
- $f(a,b) \ge f(x,y)$
-
이는 $x,y$ 에 대한 이계편도함수가 다음을 만족함을 의미함
\[f_{xx} \cdot f_{yy} - f^{2}_{xy} < 0\]
- $f$ 의 임계점 $(a,b)$ 의 모든 열린 근방 $(x,y)$ 에 대하여 다음을 동시에 만족하는 경우
-
- 헤시안 행렬의 행렬식을 활용한 2변수함수의 극값 판별
-
헤시안 행렬(Hessian Matrix) : 어떤 이변수함수의 이계편도함수를 표현한 행렬
\[\begin{pmatrix} f_{xx}&f_{xy}\\ f_{xy}&f_{yy}\\ \end{pmatrix}\] -
헤시안 행렬의 행렬식($D$)
\[\begin{aligned} D &=f_{xx} \cdot f_{yy} - f^{2}_{xy}\\ &=\begin{vmatrix} f_{xx}&f_{xy}\\ f_{xy}&f_{yy}\\ \end{vmatrix} \end{aligned}\] -
헤시안 행렬의 행렬식을 활용한 2변수함수의 극값 판별
- $f_x=f_y=0$ 인 점 $(a,b)$ 의 근방에서 함수 $f$ 와 그 일계편도함수가 모두 연속이라고 하자
- $D=0$ : 극값의 존재 여부를 결정할 수 없음
- $D<0$ : $f$ 는 $(a,b)$ 에서 안장점을 가짐
- $D>0$ : $f$ 는 $(a,b)$ 에서 극값을 가짐
- $f_{xx} < 0$ : 극대값
- $f_{xx} > 0$ : 극소값
- $f_x=f_y=0$ 인 점 $(a,b)$ 의 근방에서 함수 $f$ 와 그 일계편도함수가 모두 연속이라고 하자
-
그라디언트(Gradient)
-
정의 : $n$ 변수함수 $y=f(x_{1},x_{2},\cdots,x_{n})$ 에 대하여 각 변수에 대한 일계편도함수로 구성된 벡터
\[\nabla f =(\frac{\partial f}{\partial x_{1}}, \frac{\partial f}{\partial x_{2}}, \cdots, \frac{\partial f}{\partial x_{n}})^{T}\] -
해석 : \(\nabla f \vert _{(x_{1},x_{2},\cdots,x_{n})}\) 는 점 \((x_{1},x_{2},\cdots,x_{n})\) 에서 \(f\) 의 값이 가장 가파르게 증가하는 방향임