目 录
一. 梯度下降
1.基本概念
2.梯度下降的步骤
3.批量梯度下降(BGD)和随机梯度下降(SGD)
二. 一元线性回归
1.概念
2.代价函数
3.公式推导
正 文
一. 梯度下降
1. 概念:梯度下降法(gradient descent),又名最速下降法(steepest descent)是求解无约 束最优化问题最常用的方法,它是一种迭代方法,每一步主要的操作是求解目标函数的梯度 向量,将当前位置的负梯度方向作为搜索方向(因为在该方向上目标函数下降最快,这也是 最速下降法名称的由来)。
梯度:梯度是一个向量,函数在该点处沿着该方向(此梯度的方向)变化最快,变化率最大 (为该梯度的模)梯度下降,其实就是一个公式:其中α为“学习率”。
2. 步骤
(1)随机初始参数
(2)确定学习率α
(3)求出损失函数对参数梯度
(4)按照公式更新参数
(5)重复(3)(4)直到满足终止条件(如:损失函数或参数更新小于某个阈值)
例题:假设损失函数为Loss=(β-3)^2,采用梯度下降的方法求损失函数的极值,写出在β=0, α=0.05下,两轮迭代参数β的变化过程。(解题步骤如下)
3. 批量梯度下降(BGD)其需要计算整个训练集的梯度,即:
其中η为学习率,用来控制更新的“力度”/"步长"。
4. 随机梯度下降(SGD)仅计算某个样本的梯度,即针对某一个训练样本 xi及其label yi更新参 数,逐渐减小学习率:
二. 一元线性回归
1. 概念
回归分析中,如果只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归。一元线性回归其实就是从一堆训练集中去算出一条直线,使数据集到直线之间的距离差最小。图形展示如下:(左为一元线性回归,右为多元线性回归故其为曲线)
2. 代价函数
(其中2m分之一是为了求导的过程中更加简便而设定的)
3. 公式推导(图片如下)