Coordiante ascent VS Gradient descent

Coordiante ascent 坐标上升算法

详细解释可参考：http://cs229.stanford.edu/notes/cs229-notes3.pdf“>stanford ML

算法demo

Gradient descent 梯度下降算法

详细参考：参考Andrew NG讲义
blog demo

现在谈谈两个算法的异同：

1.坐标上升法：坐标上升与坐标下降可以看做是一对，坐标上升是用来求解max最优化问题，坐标下降用于求min最优化问题，但是两者的执行步骤类似，执行原理相同。
例如要求接一个max_f(x1,x2,…,xn)的问题，其中各个xi是自变量，如果应用坐标上升法求解，其执行步骤就是：
1.首先给定一个初始点，如 X_0=(x1,x2,…,xn);
2.for dim=1:n
固定xi;(其中i是除dim以外的其他维度)
以x_dim为自变量求取使得f取得最大值的x_dim；
end
3.循环执行步骤2，直到f的值不再变化或变化很小。

总结：其关键点就是每次只变换一个维度xi,而其他维度都用当前值进行固定，如此循环迭代，最后得到最优解。

2.坐标下降法与上述过程类似，不过在第2步求取最优x_dim的值时，变为使得f最小的x_dim;

3.梯度下降法又称为最速下降法，他也是下降法，不过和坐标下降法的主要区别就是多了一个下降方向的选取，在坐标下降中下降方向是沿着每一维的坐标轴方向进行的，也就是方向是类似于（0,0,1,0,0）、（0,0,0,1,0）（假设是5维）这种形式的，而梯度下降法中，下降方向变换为函数在当前点的梯度方向，当维度很高时，梯度下降的优势就要比坐标下降明显很多。
梯度下降法的一个出发点是： f沿着f的梯度反方向下降最快。 这一点用文字而言，比较好理解，就是沿着f的梯度反方向搜索前进直到最优就是了。如果用步骤来描述的话就是：
1.给定一个初始值，如 X_0=(x1,x2,…,xn);
2.求f在此点的梯度 f’(X_0);
3.确定下一点的位置: X_1 = X_0 - a·f’(X_0);(a>0且一般都比较小，相当于在f的梯度反方向走了较 小的一步)
4.求f(X_1),如果与f(X_0)的差在一定范围内，则停止，否则令X_0=X_1，循环2,3,4.