梯度下降与线性回归

梯度下降

梯度下降算法是为了解决连续解空间中极值。
梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即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）。

问题描述

现有函数y=f(x1,x2,x3,…,xn)，现需要求该函数的极小值。

算法思路

1. 明确自己现在所处的位置
2. 找到相对于该位置而言下降最快的方向
3. 沿着第二步找到的方向走一小步，到达一个新的位置，此时的位置肯定比原来低
4. 回到第一步
5. 终止于最低点

伪代码

while True:
	for x in (x1,x2,x3,...,xn):
		fx_=derivatives(fx,x) # 求fx在x处的偏导，也就是fx在下降最快的方向在x方向上的投影的值
		del_x=fx_.cul(col[:-1])# 计算本次数据在x方向上的值
		x=x-learning_rate*del_x# 公式的精华部分，让x的值往下降最快方向稍微挪动

例子

现有函数f(x)=x^2*sin(x)，使用梯度下降法求极小值。

f(x)对x求导得到f’(x)=2xsin(x)+x^2cos(x)，初始化x=2，learning_rate=0.005。一下是一次迭代：

• 计算del_x，将x=2带入导数得到del_x=-0.9
• 计算新的x值，x=2-0.005*(-0.9)

不断迭代，直到收敛，得到极小值x=5。

线性回归

目标值预期是输入变量的线性组合。是已知预测未知的一种模型。

问题描述

现有一个数据集

x	y
1	3.2
2.1	5.4
2.9	7.3

需要你预测当x=100时y的值是什么？

解决思路

选择模型

观察数据，选择线性回归模型。
$$y=wx+b$$

得到损失函数

$$loss=\sum _{i=0}^n(wx+b-y{)}^2$$

使用梯度下降算法求最小值

我们的目的是求loss函数的最小值，那么梯度下降算法就有的用了。
需要调整w，b参数来取得loss的极小值。

repeat{
b=b-learning_rate*loss(w,b)对b的偏导
w=w-learning_rate*loss(w,b)对w的偏导
}