一、梯度下降
机器学习就是需找一种函数f(x)并进行优化, 且这种函数能够做预测、分类、生成等工作。
那么其实可以总结出关于“如何找到函数f(x)”的方法论。可以看作是机器学习的“三板斧”:
- 第一步:定义一个函数集合(define a function set)
- 第二步:判断函数的好坏(goodness of a function)
- 第三步:选择最好的函数(pick the best one)
我们先把目光放在第三步上:How to pick the best one ? 我们的目标是让损失函数最小化。这就引出了下面需要介绍的方法:
梯度下降是目前机器学习、深度学习解决最优化问题的算法中,最核心、应用最广的方法
1.1 梯度下降法简介
梯度下降法,是一种基于搜索的最优化方法,它其实不是一个机器学习算法,但是在机器学习领域,许多算法都是以梯度下降法为基础的,它的主要作用是寻找目标函数的最优解。
常用的梯度下降法有 3 种不同的形式:
- 批量梯度下降法,简称 BGD,使用所有样本,比较耗时;
- 随机梯度下降法,简称 SGD,随机选择一个样本,简单高效;
- 小批量梯度下降法,简称 MBGD,使用少量的样本,这是一个折中的办法。
1.2 代码实现
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import SGDRegressor
# 加载波斯顿房价数据集
boston = datasets.load_boston()
X = boston.data
y= boston.target
# 排除异常数据
X = X[y < 50.0]
y = y[y < 50.0]
# 拆分训练数据集和测试数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
# 数据归一化
standardScaler = StandardScaler()
standardScaler.fit(X_train)
X_train_standard = standardScaler.transform(X_train)
X_test_standard = standardScaler.transform(X_test)
# 实例化 SGDRegressor
sgd_reg = SGDRegressor(max_iter=1000, tol=1e-5)
# 对训练数据集进行拟合
sgd_reg.fit(X_train_standard, y_train)
# 对测试数据集进行评分
print('模型评分:', sgd_reg.score(X_test_standard, y_test))