前面介绍过通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值，有博友评论是不是速度很慢，通过实验仿真确实如此，今天介绍一下收敛速度更快的牛顿法，进行最优化问题的求解。在最速下降法的前提下，不仅引入梯度，而且引入Hesse矩阵对函数进行二次近似估计，对迭代点进行新的迭代，直至满足精度要求，

设f(x)是二次可微函数，取其在迭代点Xk处的二阶泰勒展开式:

为求其最小值点，对其求一阶导数，并令一阶导数为0，

在二阶导可逆时，得到牛顿迭代公式：

需要注意：
当一阶导数为 正定矩阵时：

所以dk为函数的下降方向。

1. 给定初始点x(0)，设置允许误差ε>0
2. 计算初始点的一阶导数，二阶导数
3. 判断梯度范数与允许误差的大小
4. 若梯度范数大于允许误差，则沿着下降方向进行搜索
   
   否则停止搜索，得到最优解。
5. 进行迭代计算
   
6. 迭代次数更新：k=k+1
7. 转步骤（2）继续进行后续搜索，直至得到满足精度要求的最优解。

主函数：

clear;
clc;
x0=input('x0=');
eps=input('eps=');
tic
X=newton_1(x0,eps);
t=toc
fprintf('牛顿法所得的极小值点为：%f\n',X);
 fprintf('牛顿法所得的极小值为：%f\n',f(X));

牛顿迭迭代函数

function y=newton_1(x0,eps)
x(1)=x0;
b=1;
i=1;
while (abs(b)>eps)
    i=i+1;
    x(i)=x(i-1)-df(x(i-1))/df2(x(i-1));
    b=x(i)-x(i-1);
    fprintf('所得的极小值点为：%f\n',x(i));
end
y=x(i);
fprintf('总共迭代%f次\n',i-1);
end

梯度函数

function y=df(n)
y=2*n+2;
end

Hesse函数

function y=df2(n)
y=2;
end

测试以二元函数发f（n）=nn+2n+6为例：

function y=f(n)
y=n*n+2*n+6;
end

经过两次迭代，误差小于允许误差，用时0.0088秒。

x0=1
eps=0.001
所得的极小值点为：-1.000000
所得的极小值点为：-1.000000
总共迭代2.000000次
t = 0.0088
牛顿法所得的极小值点为：-1.000000
牛顿法所得的极小值为：5.000000

牛顿法收敛非常快，对于精度要求不是特别高的情况，速度非常快，甚至只用了一次计算迭代就完成求解，但是另一方面，初始值的选取非常重要，初始值选得不好有可能会直接导致算法不收敛。后续介绍对牛顿法进行改进。