梯度下降法、牛顿法和拟牛顿法——机器学习面试

qq_906638174

于 2020-08-19 23:08:44 发布

阅读量300

点赞数

分类专栏：机器学习

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_41067092/article/details/108113178

版权

本文探讨了梯度下降、牛顿法和拟牛顿法在机器学习面试中的重要性。梯度下降简单但收敛速度慢，牛顿法则快但计算量大，拟牛顿法则寻求平衡。文中还比较了批量、随机梯度下降及它们与牛顿法的差异。

摘要由CSDN通过智能技术生成

梯度下降、牛顿、拟牛顿原理

梯度下降

$x^{t+1}=x^{t}-\lambda _{i}\bigtriangledown f\left ( x_{t} \right )$

牛顿法

$H_{t}$ 为Hesse矩阵 $H_{t}=\left [ \frac{\partial ^{2}f}{\partial x_{i}\partial x_{j}} \right ]$

参数更新的方程： $x^{t+1}=x^{t}-H_{t}^{-1}g_{t}$

每一次迭代的更新方向都是当前点的牛顿方向，步长固定为1。每一次都需要计算一阶导数

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
梯度下降法、牛顿法和拟牛顿法——机器学习面试

待填
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。