梯度下降原理(个人理解)

本文介绍了梯度下降的基本概念,包括在监督学习中优化模型参数的作用,以及梯度下降的数学公式和执行过程。通过讨论假设函数、损失函数以及它们在梯度下降中的应用,阐述了如何利用梯度找到损失函数最小值时的参数值。文中还解释了方向导数和梯度在寻找最优解中的角色,并讨论了算法的迭代过程。
摘要由CSDN通过智能技术生成
梯度下降
基本概念:

梯度下降是在监督学习中,为了优化模型参数,求出损失函数J(θi)(loss function)取得最小值时,对应的参数θ值的一种迭代算法

数学公式:

​ 对于一般的线性回归,假设函数可表示为:
h θ ( x ) = θ 0 x 0 + θ 1 x 1 + θ 2 x 3 + . . . + θ n x n h_\theta(x) = \theta_0x_0 + \theta_1x_1 + \theta_2x_3 + ... + \theta_nx_n hθ(x)=θ0x0+θ1x1+θ2x3+...+θnxn
​ 其中n为样本特征数, θ i \theta_i θi(i = 0, 1, 2 … n) 为模型参数, x i x_i xi(i = 0, 1, 2 … n) 为每个样本的n个特征值,将上式化简后可得:
h θ ( x ) = ∑ i = 0 n θ i x i h_\theta(x) = \sum_{i=0}^n\theta_ix_i hθ(x)=i=0nθixi
​ 对于上面的假设函数,其损失函数 (平方损失函数)可表示为:
J ( θ 1 , θ 2 .

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