海森矩阵

在数学中，海森矩阵（Hessian matrix 或 Hessian）是一个自变量为向量的实值函数的二阶偏导数组成的方块矩阵，此函数如下：

$f(x_1, x_2, \dots, x_n),$

如果 f 所有的二阶导数都存在，那么 f 的海森矩阵即：

$H(f)_{ij}(x) = D_i D_j f(x)$

其中 $x = (x_1, x_2, \dots, x_n)$，即

$H(f) = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1\,\partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_1\,\partial x_n} \\ \\ \frac{\partial^2 f}{\partial x_2\,\partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \cdots & \frac{\partial^2 f}{\partial x_2\,\partial x_n} \\ \\ \vdots & \vdots & \ddots & \vdots \\ \\ \frac{\partial^2 f}{\partial x_n\,\partial x_1} & \frac{\partial^2 f}{\partial x_n\,\partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_n^2} \end{bmatrix}$

（也有人把海森定义为以上矩阵的行列式） 海森矩阵被应用于牛顿法解决的大规模优化问题。

混合偏导数和海森矩阵的对称性

海森矩阵的混合偏导数是海森矩阵非主对角线上的元素。假如他们是连续的，那么求导顺序没有区别，即

$\frac {\partial}{\partial x} \left( \frac { \partial f }{ \partial y} \right) = \frac {\partial}{\partial y} \left( \frac { \partial f }{ \partial x} \right)$

上式也可写为

$f_{xy} = f_{yx} \,$

在正式写法中，如果 f 函数在区域 D 内连续并处处存在二阶导数，那么 f的海森矩阵在 D 区域内为对称矩阵。

在 $\mathbb{R}^2$→$\mathbb{R}$ 的函數的應用

給定二階導數連續的函數$f: \mathbb{R}^2 \to \mathbb{R}$，海森矩陣的行列式，可用於分辨 $f$ 的臨界點是屬於鞍點還是極值点。

對於 $f$ 的臨界點 $(x_0, y_0)$ 一點，有 $\frac{\partial f(x_0, y_0)}{\partial x} = \frac{\partial f(x_0, y_0)}{\partial y} = 0$，然而憑一階導數不能判斷它是鞍點、局部極大點還是局部極小點。海森矩陣可能解答這個問題。

$H = \begin{vmatrix} \frac{\partial^2 f}{\partial x^2} & \frac{\partial^2 f}{\partial x\,\partial y} \\ \\ \frac{\partial^2 f}{\partial y\,\partial x} & \frac{\partial^2 f}{\partial y^2} \end{vmatrix} = \frac{\partial^2 f}{\partial x^2} \frac{\partial^2 f}{\partial y^2} - (\frac{\partial^2 f}{\partial y\,\partial x})^2$

• H > 0 ：若$\frac{\partial^2 f}{\partial x^2} > 0$，則$(x_0, y_0)$是局部極小點；若$\frac{\partial^2 f}{\partial x^2} < 0$，則$(x_0, y_0)$是局部極大點。
• H < 0 ：$(x_0, y_0)$是鞍點。
• H = 0 ：二階導數無法判斷該臨界點的性質，得從更高階的導數以泰勒公式考慮。

在高维情况下的推广

当函数$f: \mathbb{R}^n \to \mathbb{R}$二阶连续可导时，Hessian矩阵H在临界点$x_0$上是一个$n\times n$阶的对称矩阵。

• 当H是正定矩阵时，临界点$x_0$是一个局部的极小值。
• 当H是负定矩阵时，临界点$x_0$是一个局部的极大值。
• H=0,需要更高阶的导数来帮助判断。
• 在其余情况下，临界点$x_0$不是局部极值。

参看

• 雅可比矩阵