梯度下降的向量法(矩阵法)推导总结

这篇博客总结了梯度下降的向量化推导过程。从输入矩阵X开始,通过矩阵运算和迹的性质,逐步化简MSE损失函数,并应用梯度下降处理,最终得出更新权重ω的矩阵形式,简化了迭代计算。
摘要由CSDN通过智能技术生成

梯度下降向量化推导

再看了一篇博客后,了解了梯度下降向量化的推导公式,所以便写篇博客记录一下,加深一些记忆。
首先,对于输入矩阵X为m*n的矩阵

在这里插入图片描述

所以预测值为 y ^ \widehat{y} y :

在这里插入图片描述
MSE= 1 2 ∗ ( y ^ − y ) 2 = 1 2 ( X ω − y ) 2 \frac{1}{2} *(\widehat{y}-y)^2=\frac{1}{2}(X\omega-y)^2 21(y y)2=21(Xωy)2
接下来对式子进行化简
首先

X T X = ∑ X i j 2 X^T X=\sum X_{ij}^2 XTX=X

  • 8
    点赞
  • 33
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值