梯度下降法
梯度下降法是一种寻找目标函数最小化的方法。从梯度方向,是数值下降最快的方向,在机器学习中,根据数据集使用方式不同分为batch,stochastic和mini-batch 三种。
1.Batch Gradient Descent(BGD)
批量梯度下降法,是梯度下降法最常用的形式,具体做法也就是在更新参数时使用所有的样本来进行更新。也就是说:
步骤一:所有的样本跑一遍,记录下w和b的值
步骤二:更新真正的 w和b
重复步骤一 直到 w和b收敛或者准确度收敛
2.Stochastic Gradient Descent(SGD)
随机梯度下降法与batch背道而驰,它对于每个样本都进行更新,也就是说每次都更新真正的w和b ,也就是说:
步骤一 :读取一个样本
步骤二: 更新真正的w和b
重复步骤一 直到 w和b收敛或者准确度收敛
3.Mini-batch Gradient Descent(MBGD)
顾名思义,小批量梯度下降法就是对于 M 个样本,我们采用X个样本来迭代,
1
<
X
<
M
1<X<M
1<X<M 。一般可以取 8,16,32,64 ,当然根据样本的数据,可以调整这个x的值。也就是说:
步骤一:将X个样本跑一遍,记录下w和b的值
步骤二:更新真正的 w和b
步骤三:更新X到一个分区如[0,16],[17-32],[33,48]…[M-16,M] 这种。
重复步骤一 直到 w和b收敛或者准确度收敛
核心的操作步骤
- 选择一个目标函数f(x)
- 做优化函数 g = ∑ i = 1 m ( f ( x i ) − y i ) 2 g=\sum_{i=1}^{m}(f(x_i)-y_i)^2 g=i=1∑m(f(xi)−yi)2
- 求使得g最小的f() ,也就是我们权值矩阵w。直接进行一次导数,然后使用梯度下降法进行最优化的迭代
【题外话】写道这里,我突然有种感觉 最小二乘法是构造目标函数用的 ,而梯度下降法是求解最小值的 ,或者他们就不用放在一起讨论 ,也许 最小二乘法应该是和最大似然函数法和贝叶斯那些在一起讨论的,嘿嘿突然想到-end 。
牛顿法
当使用牛顿法进行求根运算的时候,牛顿法是一维的,当牛顿法用于求极值的时候牛顿法就是二维的,为什么这么说呢?
牛顿法的本质是:通过迭代,逐步逼近目标值,也就是我们求的根或者是极值点。
当使用 牛顿法进行求根操作时:
θ
:
θ
−
f
(
θ
)
f
′
(
x
)
\theta:\theta-\frac{f(\theta)}{f^{'}(x)}
θ:θ−f′(x)f(θ)
但是,当你使用牛顿法求解极值的时候,整个函数都会向上升一阶:
θ
:
θ
−
f
′
(
θ
)
f
′
′
(
x
)
\theta:\theta-\frac{f^{'}(\theta)}{f^{''}(x)}
θ:θ−f′′(x)f′(θ)
因此 牛顿法是二阶收敛,现在理解的还不是很深刻 等以后再去不去补全吧
未完待续…