梯度下降

MinJinFan

于 2020-03-25 14:43:46 发布

阅读量486

点赞数

分类专栏： Machine Learning 文章标签：梯度下降

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_37264323/article/details/105071747

版权

本文详细介绍了梯度下降法的基本概念，包括学习率、代价函数和权重系数的同步更新。讨论了导数的几何意义，解释了如何通过调整学习率来控制参数更新的方向和幅度。特别提到了在线性回归中应用梯度下降法，由于线性回归的代价函数是凸函数，因此可以确保找到全局最优解。最后，给出了单特征线性回归中系数的迭代公式。

摘要由CSDN通过智能技术生成

一、梯度下降法公式：

$\theta _{j}=\theta _{j}-\alpha \frac{\partial }{\partial \theta _{j}}J(\theta _{0},\theta _{1},\cdots \theta _{n})$ $(j=0,1,\cdots n)$

$\alpha$ 称为学习率，也可以称为步长，它控制我们以多大的幅度更新这个参数 $\theta _{j}$ 。

$J(\theta _{0},\theta _{1},\cdots \theta _{n})$ 就是我们的代价函数。

最低0.47元/天解锁文章

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
梯度下降

一、梯度下降法公式：称为学习率，也可以称为步长，它控制我们以多大的幅度更新这个参数。就是我们的代价函数。是我们最终要确定的权重系数，通过这种梯度下降的方式来一步一步的逼近我们想要的结果。需要注意的是这些系数要同步更新。即：二、几何意义1：导数项导数的几何意义，我们就会联想到斜率，或者直线在某一点的切线。控制方向如图，我们知道，导数...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。