python实现梯度下降法_梯度下降法及其Python实现

作者：糖甜甜甜

经管人也可以学Python。

个人公众号： 经管人学数据分析

基本介绍

梯度下降法(gradient descent)，又名最速下降法(steepest descent)是求解无约束最优化问题最常用的方法，它是一种迭代方法，每一步主要的操作是求解目标函数的梯度向量，将当前位置的负梯度方向作为搜索方向。

梯度下降法特点：越接近目标值，步长越小，下降速度越慢。下面将通过公式来说明梯度下降法。

建立模型为拟合函数h(θ) :

接下来的目标是将该函数通过样本的拟合出来，得到最佳的函数模型。因此构建损失函数J(θ)(目的是通过求解min J(θ)，得到在最优解下的θ向量)，其中的每一项

都表示在已有的训练集上我们的拟合函数与 y之间的残差，计算其平方损失函数作为我们构建的风险函数(这里采用最小二乘法构造损失函数，在逻辑回归中也可采用最大似然估计构造损失函数从而估计参数)。

要使得最小J(θ)，则对其J(θ)求导等于零。

在处理以下步骤时，可以用批量梯度下降算法(BGD)与随机梯度下降算法(SGD)。

批量梯度下降算法(BGD)

单个特征  的迭代如下：

a为步长，如果太小，则找到函数最小值的速度就很慢，如果太大，则可能会错过最小值，而使得函数值发散。初始点不同，获得的最小值也不同，因此梯度下降求得的只是局部最小值。

多个特征的迭代如下：

Repeat until convergence{

(for every )

}

<