本课程主要分为四部分:
监督学习
理论证明
非监督学习
加强学习
本节课属于监督学习里面的内容,从一个房价估计的例子出发,来介绍梯度下降算法。对于梯度下降算法给出了两种方法来求解,第一种是常规的求解
方法;第二种使用矩阵来求解。对于常规方法,讲师只给出了公式,对于矩阵求解方法,详细写出了推导步骤。
梯度算法介绍:
常用在机器学习和人工智能中递归地逼近最优质。
沿梯度下降的方向求解最小值,通项公式是 ,其中系数是步长,步长要适中,太小会收敛过慢。
再举另外一个非常简单的例子,如求函数 的最小值。
利用梯度下降的方法解题步骤如下:
1、求梯度,
2、向梯度相反的方向移动 ,如下
,其中, 为步长。如果步长足够小,则可以保证每一次迭代都在减小,但可能导致收敛太慢,如果步长太大,则不能保证每一次迭代都减少,也不能保证收敛。
3、循环迭代步骤2,直到 的值变化到使得 在两次迭代之间的差值足够小,比如0.00000001,也就是说,直到两次迭代计算出来的 基于没有变化,则说明此时 已经达到局部最小值了。
使用矩阵方法求解更加明了直观。
有时候很难找到要拟合的公式,这个时候线性回归方法已经不合适了,可以用局部加权回归来进行拟合。这就引出了下一节要讲的东西。