随机梯度下降_梯度下降法有什么用？

文章来源：林骥

作者：林骥

机器学习系列文章

1、如何用人工智能算出美不美？

2、如何用人工智能预测双 11 的交易额？

3、如何评价算法的好坏？

4、模型越复杂越好吗？

引言

我写人工智能系列文章，主要侧重于 3 个方面：

(1)说明算法的适用范围，介绍在什么情况下，可以使用什么算法，解决什么问题；

(2)多用数据案例进行演示，与日常工作和生活相关联，以便提高学习的兴趣，加深对算法的理解；

(3)包含算法的实现过程，也就是有即拿即用的代码，并且用比较详细的注释，让任何人都可以拿来进行实践练习。

为了让文章内容更加通俗易懂，我尽量避免使用那些枯燥乏味的数学公式推导。

我最近在学习「梯度下降法」的时候，脑海中浮现出一个问题：在人工智能领域，梯度下降法有什么用？

1. 梯度下降法简介

梯度下降法，是一种基于搜索的最优化方法，它其实不是一个机器学习算法，但是在机器学习领域，许多算法都是以梯度下降法为基础的，它的主要作用是寻找目标函数的最优解。

常用的梯度下降法有 3 种不同的形式：

(1)批量梯度下降法，简称 BGD，使用所有样本，比较耗时；

(2)随机梯度下降法，简称 SGD，随机选择一个样本，简单高效；

(3)小批量梯度下降法，简称 MBGD，使用少量的样本，这是一个折中的办法。

下面用一个实例数据，演示其中「随机梯度下降法」的应用过程。

2. 数据预处理

首先，我们加载波斯顿房价数据集，排除其中的异常数据，并拆分为训练数据集和测试数据集：

from sklearn import datasets
from sklearn.model_selection import train_test_split

# 加载波斯顿房价数据集
boston = datasets.load_boston()
X = boston.data
y= boston.target

# 排除异常数据
X = X[y < 50.0]
y = y[y < 50.0]

# 拆分训练数据集和测试数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

3. 数据归一化

其次，用对数据进行归一化，注意是统一使用训练数据集进行拟合，然后分别在训练数据集和测试数据集上面进行转换：

from sklearn.preprocessing import StandardScaler

# 数据归一化
standardScaler = StandardScaler()
standardScaler.fit(X_train)
X_train_standard = standardScaler.transform(X_train)
X_test_standard = standardScaler.transform(X_test)

4. 随机梯度下降法

接下来，我们开始调用 sklearn 中的随机梯度下降法，

# 调用 sklearn 中的随机梯度下降法
from sklearn.linear_model import SGDRegressor

# 实例化 SGDRegressor
sgd_reg = SGDRegressor(max_iter=1000, tol=1e-5)

# 对训练数据集进行拟合
sgd_reg.fit(X_train_standard, y_train)

# 对测试数据集进行评分
print('模型评分：', sgd_reg.score(X_test_standard, y_test))

返回结果：

模型评分：0.761538531249327

5. 结果解读

因为随机梯度下降法是一个随机的算法，所以返回的模型评分结果也是一个随机数，每次运行的结果可能都会不一样。但是，实践经验告诉我们，通过随机梯度下降法，不仅求解速度得到提升，而且依然能够接近最优解。

随机梯度下降法有两个优点，一个优点是更容易跳出局部最优解，另一个优点是具有更快的运行速度。这也提醒我们，做事的时候，不要钻进死胡同，不要一条道走到黑，有时候跳出来看一看，外面可能还有更广阔的世界。

在机器学习领域，有些算法本身就具有随机的特点，比如随机森林算法等。而在现实世界中，很多问题本身也是随机的，有可能根本就不存在一个固定的最优解。所以，「随机」是存在现实意义的。

小结

本文使用波斯顿房价数据集，演示了随机梯度下降法的应用过程。 根据随机梯度下降法的思维，当你很难找到最优的方向，不妨随机选择一个方向，先行动起来，勇于试错，总比陷入焦虑情绪中要强，而且还有机会实现自己的目标，甚至可以得到更好的结果。 我想起一个热点问题：很想拼命努力一把，但是努力不起来怎么办？ 我觉得当你感到迷茫的时候，不妨试着跳出「舒适区」，这好像与「随机梯度下降法」的思维有那么一点相似。

以上，希望能够对你有所启发。

近期推荐阅读：

【1】整理了我开始分享学习笔记到现在超过250篇优质文章，涵盖数据分析、爬虫、机器学习等方面，别再说不知道该从哪开始，实战哪里找了【2】【终篇】Pandas中文官方文档：基础用法6(含1-5)

如果你觉得文章不错的话，分享、收藏、在看、留言666是对老表的最大支持。