常见机器学习和深度学习优化方法总结
机器学习
不管是机器学习还是深度学习,我们总是需要获得相应的优化方法获取方差的最优解,然后的到相应的模型参数去做预测,本篇博客将讨论机器学习和深度学习常用的优化求解方法。
梯度下降法
在机器学习领域,梯度下降的方法有三种,分别为:批量梯度下降(BGD)、随机梯度下降(SGD)、小批量梯度下降法MBGD,三种梯度下降方法,各有各自的优点和缺点。下面我们以 linear regression为例子来对三种梯度下降方法进行分析和比较。
对于数据而言,假设feature和label都满足线性关系,这样形成的线性模型如下所示:
X表示feature, θ \theta θ表示 parameter,h表示 label。直观上,我们需要训练误差最小的模型:
如果对目标函数求导,导数如下:
原始的梯度下降方法如下式所示: