Minime și maxime: cum găsești și interpretezi punctele extreme

De fiecare dată când o companie stabilește prețuri pentru a găsi marja de profit optimă sau un model își ajustează ponderile ca să reducă eroarea de predicție, în spate rulează aceeași problemă de analiză: găsește cea mai mare sau cea mai mică valoare a unei funcții. Despre asta sunt minimele și maximele. Vârfurile și văile care îți arată unde atinge o funcție valorile extreme.

În acest articol, începem cu ce înseamnă de fapt extremele, separăm comportamentul local de cel global, parcurgem pașii pentru a le găsi folosind derivatele și revenim la motivul pentru care toate acestea contează în optimizare și știința datelor. Dacă vrei să aprofundezi cu practică aplicată, cursul nostru Introduction to Optimization in Python acoperă latura computațională.

Ce sunt minimele și maximele?

Un minim este cea mai mică valoare la care ajunge o funcție; un maxim este cea mai mare. Împreună, ele se numesc extreme (singular: extrem). Pe un grafic, sunt exact ce te-ai aștepta: fundurile văilor și vârfurile dealurilor.

Un lucru de clarificat de la început: extremul este valoarea funcției (coordonata y), în timp ce punctul unde apare este valoarea lui x. „Maximul este la x = 3” e diferit de „valoarea maximă este f(3) = 10.” Această distincție îi încurcă pe oameni mai des decât crezi și apare atât în examene, cât și în interviuri.

Nu fiecare funcție are atât un minim, cât și un maxim. O dreaptă nu are niciunul. O parabolă deschisă în sus are un minim, dar nu are maxim. Funcțiile definite pe intervale deschise pot tinde spre valori extreme fără să le atingă efectiv. Extremele nu sunt garantate; ele depind de forma funcției și de domeniul pe care lucrezi.

Minime și maxime locale vs. globale

Înainte de a găsi extremele, merită clarificată o distincție care traversează tot ce urmează: diferența dintre extremele locale semnificative și cele globale semnificative. Este una dintre cele mai importante idei în practică, în optimizare, și totodată locul unde lumea se încurcă cel mai des.

Diferența ține de anvergură. Un extrem local privește un mic vecinătate în jurul unui punct; un extrem global ia în calcul întregul domeniu.

Minim și maxim local

Un minim local este un punct unde valoarea funcției e mai mică decât toate valorile din apropiere. Ești la fundul unei văi, chiar dacă în altă parte pe grafic există o vale mai adâncă. Un maxim local este un vârf mai înalt decât împrejurimile imediate, chiar dacă mai departe există un vârf mai înalt.

Imaginează-ți un traseu de drumeție cu dealuri line. Fiecare vârf e un maxim local, iar fiecare adâncitură dintre dealuri este un minim local. Nu trebuie să vezi tot traseul ca să le identifici; compari doar cu ce e imediat în jurul tău.

Minim și maxim global

Un minim global (numit și minim absolut) este cea mai mică valoare pe care o ia funcția pe întregul domeniu. Maximul global (sau maxim absolut) este cea mai mare. Un extrem global este întotdeauna și un extrem local, dar invers nu e neapărat adevărat.

Pe același traseu, maximul global este cel mai înalt punct de pe întreaga rută, nu doar cel mai înalt deal din apropiere. O funcție poate avea multe extreme locale, dar cel mult o valoare de minim global și o valoare de maxim global (deși aceste valori pot apărea în mai multe puncte).

Această distincție local vs. global nu e doar teoretică. Apare direct în învățarea automată, unde coborârea pe gradient se poate bloca în minime locale când caută un minim global. Mai multe despre asta mai târziu.

Cum găsești minime și maxime

Găsirea extremelor urmează un proces consecvent. Practic întrebi: unde încetează funcția să mai crească și începe să scadă, sau invers? Derivatele îți oferă instrumentul pentru a răspunde precis.

Iată abordarea generală:

1. Calculează prima derivată f'(x).
2. Găsește punctele critice, unde f'(x) = 0 sau f'(x) nu există.
3. Clasifică fiecare punct critic ca minim local, maxim local sau niciuna dintre ele.
4. Dacă lucrezi pe un interval închis, verifică și capetele.
5. Compară toate valorile candidate pentru a identifica extremele absolute.

Vom folosi o singură funcție pe tot parcursul pentru concret: f(x) = 2x³ − 9x² + 12x − 4, definită pe intervalul [0, 4].

Puncte critice și extreme

Un punct critic al lui f(x) este orice valoare a lui x din domeniu pentru care f'(x) = 0 sau f'(x) nu e definită. Acestea sunt candidații pentru extreme, locurile unde funcția s-ar putea schimba de direcție.

De ce apar extremele în puncte critice? La un vârf sau o vale netedă, tangenta este orizontală, deci derivata este zero. Dar nu orice punct critic este un extrem, și asta contează. Contraexemplul clasic este f(x) = x³ la x = 0: derivata este zero, dar funcția nu își schimbă direcția. Doar se aplatizează puțin înainte să continue în sus. Și punctele unde derivata nu există necesită atenție. Un colț ascuțit, ca în f(x) = |x| la x = 0, nu are derivată, dar exact acolo se află minimul.

Pentru exemplul nostru, f'(x) = 6x² − 18x + 12 = 6(x² − 3x + 2) = 6(x − 1)(x − 2). Egalând cu zero obținem puncte critice la x = 1 și x = 2. Acum trebuie să vedem ce se întâmplă în fiecare.

Cum folosești testul cu prima derivată

Testul cu prima derivată clasifică punctele critice verificând dacă f'(x) își schimbă semnul. Dacă funcția trece de la creștere la scădere, ești pe un vârf. Dacă trece de la scădere la creștere, ești într-o vale.

Pozitiv la negativ

Când f'(x) trece de la pozitiv la negativ când traversezi un punct critic, acel punct este un maxim local. Funcția a urcat până la el, apoi a coborât.

Negativ la pozitiv

Când f'(x) trece de la negativ la pozitiv, funcția scădea și apoi a început să crească. Acel punct critic este un minim local.

Fără schimbare de semn

Dacă f'(x) rămâne pozitiv de ambele părți (sau rămâne negativ de ambele părți), punctul critic nu este nici minim, nici maxim. Funcția a făcut o pauză, dar nu și-a inversat direcția, ca f(x) = x³ la x = 0.

Pentru funcția noastră, să testăm intervalele din jurul x = 1 și x = 2. Alege puncte de test: f'(0.5) = 6(0.5 − 1)(0.5 − 2) = 6(−0.5)(−1.5) = 4.5 > 0, f'(1.5) = 6(0.5)(−0.5) = −1.5 < 0, și f'(3) = 6(2)(1) = 12 > 0. La x = 1, derivata trece de la pozitiv la negativ: maxim local. La x = 2, trece de la negativ la pozitiv: minim local. Valorile funcției sunt f(1) = 1 și f(2) = 0.

Testul cu prima derivată funcționează întotdeauna, dar presupune alegerea de puncte de test în fiecare interval, lucru care devine rapid obositor. Există o metodă mai rapidă când sunt îndeplinite anumite condiții.

Cum folosești testul cu a doua derivată

Testul cu a doua derivată funcționează când f''(x) ≠ 0 în punctul critic. În loc să verifici schimbările de semn pe intervale, evaluezi direct a doua derivată în punctul critic.

Ideea are legătură cu concavitatea. Dacă f''(c) > 0, funcția este concavă în sus în c, curbându-se ca un bol, deci punctul critic este la bază: minim local. Dacă f''(c) < 0, funcția este concavă în jos, ca un deal, deci punctul critic este sus: maxim local. Dacă f''(c) = 0, testul nu îți spune nimic. Trebuie să revii la testul cu prima derivată.

Pentru funcția noastră, f''(x) = 12x − 18. La x = 1: f''(1) = 12 − 18 = −6 < 0, confirmând un maxim local. La x = 2: f''(2) = 24 − 18 = 6 > 0, confirmând un minim local. Aceleași răspunsuri ca înainte, dar mai rapid. Testul cu a doua derivată nu va funcționa întotdeauna (eșuează în puncte de inflexiune și unele puncte critice degenerare), dar când funcționează, economisește timp.

Cum găsești minimele și maximele absolute pe un interval

Când lucrezi pe un interval închis [a, b] cu o funcție continuă, Teorema valorilor extreme garantează că există atât un maxim absolut, cât și un minim absolut. Nu cauți degeaba.

Metoda se numește metoda intervalului închis:

1. Găsește toate punctele critice ale lui f(x) din interiorul intervalului (a, b).
2. Evaluează f(x) în fiecare punct critic.
3. Evaluează f(x) la ambele capete, a și b.
4. Cea mai mare valoare este maximul absolut; cea mai mică este minimul absolut.

Pentru f(x) = 2x³ − 9x² + 12x − 4 pe [0, 4], știm deja că punctele critice sunt x = 1 și x = 2. Evaluând în toate locurile relevante:

f(0) = -4

f(1) = 2 - 9 + 12 - 4 = 1

f(2) = 16 - 36 + 24 - 4 = 0

f(4) = 128 - 144 + 48 - 4 = 28

Minimul absolut este f(0) = −4, iar maximul absolut este f(4) = 28. Observă că maximul absolut este la un capăt de interval, nu la un punct critic. De aceea nu poți sări peste verificarea capetelor și acesta este și cel mai frecvent greșeală pe care o fac oamenii. Vom ajunge la asta în secțiunea despre erori.

Tot ce am discutat până acum se aplică funcțiilor de o singură variabilă. Majoritatea problemelor din lumea reală implică mai multe variabile, așa că merită să vedem extensia.

Minime și maxime pentru funcții multivariabile

Pentru o funcție f(x, y), găsești punctele critice egalând la zero ambele derivate parțiale: ∂f/∂x = 0 și ∂f/∂y = 0. Un punct critic este acum o pereche (x, y), nu o singură valoare. Clasificarea devine mai dificilă pentru că apare o posibilitate nouă: puncte de șa, unde funcția se curbează în sus într-o direcție și în jos în alta. Gândește-te la centrul unui chips Pringles.

Pentru a clasifica punctele critice multivariabile, folosești matricea Hessiană, o matrice pătrată de derivate parțiale de ordinul doi. Determinantul și semnele intrărilor sale îți spun dacă ești la un minim local, maxim local sau punct de șa. Tutorialul nostru Hessian Matrix intră mai adânc în mecanisme și arată cum se leagă de curbură în dimensiuni mai mari.

Minime și maxime în optimizare și învățare automată

Dacă ai lucrat cât de puțin cu învățarea automată, deja ai rezolvat probleme de minime. Antrenarea unui model înseamnă minimizarea unei funcții de pierdere, iar o funcție de pierdere este doar o altă funcție cu minime și maxime.

Coborârea pe gradient este motorul de lucru aici. Ea calculează derivata (sau gradientul, în mai multe dimensiuni) a funcției de pierdere la valorile curente ale parametrilor, apoi face un pas în direcția care reduce pierderea. Mergi la vale pe suprafața pierderii, căutând un minim. Tutorialul nostru Gradient Descent in Machine Learning acoperă întregul algoritm.

Aici distincția local vs. global devine o problemă de inginerie reală. Pentru funcții de pierdere neconvexe (pe care le au majoritatea rețelelor neurale), coborârea pe gradient se poate bloca în minime locale în loc să găsească minimul global. Tehnici precum programele de rată de învățare, momentum și coborârea stocastică pe gradient ajută algoritmul să iasă din minime locale superficiale, deși garantarea unui minim global în probleme neconvexe rămâne o provocare deschisă. Tutorialul nostru Cost Functions explică cum sunt construite aceste funcții obiectiv și de ce forma lor contează.

Greșeli frecvente când cauți minime și maxime

Presupunerea că fiecare punct critic este un extrem

Nu orice punct critic produce un minim sau un maxim. Punctele de inflexiune, ca x = 0 în f(x) = x³, au f'(x) = 0 dar fără schimbare de direcție. Verifică întotdeauna cu un test pe derivate.

Confuzia între extreme locale și globale

Un minim local este doar cel mai mic punct într-o vecinătate. Minimul global poate fi în cu totul alt loc sau la un capăt de interval. Nu te opri după ce ai găsit un singur extrem local.

Uitatul capetelor de interval

Pe un interval închis, extremele absolute pot apărea la capete. Maximul absolut din exemplul nostru era la x = 4, nu la vreun punct critic. Sări peste capete este una dintre cele mai frecvente erori în problemele de optimizare, și aș paria că explică mai multe puncte pierdute la examene decât orice neînțelegere conceptuală.

Presupunerea că o a doua derivată zero înseamnă că nu e extrem

Când f''(c) = 0, testul cu a doua derivată este neconcludent. Nu înseamnă că punctul nu este un extrem. Ia f(x) = x⁴ la x = 0: f''(0) = 0, dar x = 0 este clar un minim. Folosește testul cu prima derivată când al doilea eșuează.

Confuzia dintre punctul extrem și valoarea lui

Valoarea extremului este f(c), nu c în sine. „Minimul este x = 2” când de fapt vrei să spui „valoarea minimă este f(2) = 0” amestecă intrarea cu ieșirea. Rapoartele și răspunsurile la examene au nevoie de valoarea funcției, nu doar de locație.

Concluzie

Există o versiune a acestui subiect care se oprește la „găsește unde derivata este zero.” Multe cursuri introductive exact asta fac, iar asta îi lasă pe studenți nepregătiți pentru partea care contează în practică: să știi dacă ai găsit un minim local sau unul global și să înțelegi că acestea sunt lucruri foarte diferite în funcție de ce încerci să faci.

Calculul aici este concis. Puncte critice, teste pe derivate, verificarea capetelor. Ce ia mai mult timp de interiorizat este geometria din spate: de ce concavitatea determină forma unui minim, de ce capetele pot „bate” punctele critice, de ce coborârea pe gradient într-o rețea neurală chiar caută un minim pe o suprafață care ar putea avea mii de minime locale.

Pentru implementare, cursul nostru Introduction to Optimization in Python abordează aceste probleme computațional, folosind SciPy și SymPy. Acolo legătura dintre calcul și cod devine concretă.