关于梯度上升和梯度下降的理解

在求极值的问题中，有梯度上升和梯度下降两个最优化方法。梯度上升用于求最大值，梯度下降用于求最小值。

如logistic回归的目标函数：

代表的是概率，我们想求概率最大值，即对数似然函数的最大值，所以使用梯度上升算法。

而线性回归的代价函数：

代表的则是误差，我们想求误差最小值，所以用梯度下降算法。

那么问题来了，挖掘机技术哪家强？哦不不不，为啥求最大值是梯度上升，求最小值是梯度下降？

举个栗子，来看两个函数：

我们现在用梯度下降求第一个函数的最小值，该函数求导得 f(x)=2x。如果随机取一点并使用梯度下降得到最小值，那么每次更新的就是其梯度，梯度也就是最陡峭的方向导数，方向导数是切线的斜率（先可以简单这么理解，严格来说并不能这么解释）。

每次的更新方式就是：

减号后面一部分就是2x。
现在把图像切分一下，先看左半部分，当随机的点在左半时，x为负，即梯度2x<0。那么更新就是在x基础上减去一个负数，相当于x加一个正数，所以x沿x轴的正方向移动；再看右半部分，当随机的点在右半时，x为正，即梯度2x>0。那么更新是在x基础上减去一个正数，相当于x沿着x轴负方向移动。正好一前一后使x在向极小值移动（极小值处梯度为0，所以x不更新）。

====

再看第二个函数，我们用梯度上升求它的最大值，每次更新方式为：

该函数求导得f(x)=-2x。同样我们先看左半部分，当随机点在左半时，x为负，即梯度-2x>0，所以更新x相当于沿着x轴正方向移动；同理随机点在右半部分时，更新x相当于沿着x轴负方向移动。两种移动都慢慢靠近最后停在极大值上。