1. 梯度下降法
梯度下降法的原理可以参考:斯坦福机器学习第一讲。
我实验所用的数据是100个二维点。
如果梯度下降算法不能正常运行,考虑使用更小的步长(也就是学习率),这里需要注意两点:
1)对于足够小的, 能保证在每一步都减小;
2)但是如果太小,梯度下降算法收敛的会很慢;
总结:
1)如果太小,就会收敛很慢;
2)如果太大,就不能保证每一次迭代都减小,也就不能保证收敛;
如何选择-经验的方法:
..., 0.001, 0.003, 0.01, 0.03, 0.1, 0.3, 1...
约3倍于前一个数。
matlab源码:
function [theta0,theta1]=Gradient_descent(X,Y);
theta0=0;
theta1=0;
t0=0;
t1=0;
while(1)
for i=1:1:100 %100个点
t0=t0+(theta0+theta1*X(i,1)-Y(i,1))*1;
t1=t1+(theta0+theta1*X(i,1)-Y(i,1))*X(i,1);
end
old_theta0=theta0;
old_theta1=theta1;
theta0=theta0-0.000001*t0 %0.000001表示学习率
theta1=theta1-0.000001*t1
t0=0;
t1=0;
if(sqrt((old_theta0-theta0)^2+(old_theta1-theta1)^2)<0.000001) % 这里是判断收敛的条件,当然可以有其他方法来做
break;
end
end
2. 随机梯度下降法
随机梯度下降法适用于样本点数量非常庞大的情况,算法使得总体向着梯度下降快的方向下降。
matlab源码:
function [theta0,theta1]=Gradient_descent_rand(X,Y);
theta0=0;
theta1=0;
t0=theta0;
t1=theta1;
for i=1:1:100
t0=theta0-0.01*(theta0+theta1*X(i,1)-Y(i,1))*1
t1=theta1-0.01*(theta0+theta1*X(i,1)-Y(i,1))*X(i,1)
theta0=t0
theta1=t1
end