机器学习:
代价函数(Cost Function):在机器学习中,代价函数作用于整个训练集,是整个样本集的平均误差,对所有损失函数值的平均。
代价函数的作用:
1.为了得到训练逻辑回归模型的参数,需要一个代价函数,通过训练代价函数来得到参数。
2.用于找到最优解的目标函数。
线性回归中代价函数原理的理解:
例如:简化一下设θ0=0,只剩下h(x)=θ1*X;
损失函数:计算的是一个样本的误差
代价函数:是整个训练集上所有样本误差的平均
目标函数:代价函数 + 正则化项
不同的假设函数(图片左侧)就会有不同的θ1,之后会有不同的代价函数(右侧)
θ1是线性回归的系数。
求最小的θ1就是算法的目标函数,根据假设函数,得到代价函数,此时求θ1最小就是代价函数最小。
例如:此处有h(x)=θ0+θ1*X;
]
自动找到使函数J最小的此处有θ-0+θ-1算法:
可以将代价函数(损失函数)最小化的梯度下降算法
梯度下降最小化代价函数:
【以θ-0,θ-1,J为坐标】梯度下降:α为学习速率,也就是步长
假如你处于一个局部最优点,那么你怎么找到全局最优点?