吴恩达机器学习(八)

随机梯度下降

由于数据量的规模比较大，所以普通的梯度下降的计算量比较大

批量梯度算法(Batch gradient descent)与随机梯度算法的比较：

首先的一步是将数据进行随机打乱，保证数据之间没有关联
因为随机梯度算法不需要将所有的平方项进行求和，所以比批量梯度算法更具有计算性
实际上就是使用的cost函数不同，导致每次迭代更新的时候速度比较快，迅速求得最优的$\theta$值
得到最优值的过程和批量梯度算法相比，是迂回逼近最优值，而不是直接得到最优值
具有一个内部循环，外层循环的值从1到10，取决于数据量的大小

---

Min-Batch梯度下降

与批量和随机梯度算法相比，每次迭代中使用的样本数为b个

---

Stochastic gradient descent convergence随机梯度下降收敛

如果误差函数在上升，则使用更小的$\alpha$

手动设置$\alpha$的值，进行变化，从而更快的收敛到全局最优

---

MapReduce方法

Map-reduce方法是将一个大的训练集进行划分，从而将整个大的任务分为几个小的任务来进行计算，从而提高效率。每个小任务将进行各自的参数计算，最后将总和汇总到一个服务器上，从而进行整体的梯度下降。