是使得代价函数最小码 随机梯度下降_吴恩达视频笔记4-梯度下降法(Gradient Descent)...

梯度下降法可以做什么?

在你测试集上，通过最小化代价函数(成本函数)(, )来训练的参数和，

如图，在第二行给出和之前一样的逻辑回归算法的代价函数(成本函数) 梯度下降法的形象化说明

在这个图中，横轴表示你的空间参数和，在实践中，可以是更高的维度，但是为了 更好地绘图，我们定义和，都是单一实数，代价函数(成本函数)(, )是在水平轴和 上的曲面，因此曲面的高度就是(, )在某一点的函数值。我们所做的就是找到使得代价 函数(成本函数)(, )函数值是最小值，对应的参数和。

如图，代价函数(成本函数)(, )是一个凸函数(convex function)，像一个大碗一样。

如图，这就与刚才的图有些相反，因为它是非凸的并且有很多不同的局部最小值。由于 逻辑回归的代价函数(成本函数)(, )特性，我们必须定义代价函数(成本函数)(, ) 为凸函数。 初始化和，

可以用如图那个小红点来初始化参数和，也可以采用随机初始化的方法，对于逻辑 回归几乎所有的初始化方法都有效，因为函数是凸函数，无论在哪里初始化，应该达到同一 点或大致相同的点。

我们以如图的小红点的坐标来初始化参数和。

2. 朝最陡的下坡方向走一步，不断地迭代

我们朝最陡的下坡方向走一步，如图，走到了如图中第二个小红点处。

我们可能停在这里也有可能继续朝最陡的下坡方向再走一步，如图，经过两次迭代走到 第三个小红点处。

3.直到走到全局最优解或者接近全局最优解的地方

通过以上的三个步骤我们可以找到全局最优解，也就是代价函数(成本函数)(, )这 个凸函数的最小值点。

 梯度下降法的细节化说明(仅有一个参数)

假定代价函数(成本函数)() 只有一个参数，即用一维曲线代替多维曲线，这样可以更好画出图像。

迭代就是不断重复做如图的公式:

对于导数更加形象化的理解就是斜率(slope)，如图该点的导数就是这个点相切于 () 的小三角形的高除宽。 假设我们以如图点为初始化点，该点处的斜率的符号是正的，即

()/() > 0，所以接下来会向左走一步。

整个梯度下降法的迭代过程就是不断地向左走，直至逼近最小值点。

假设我们以如图点为初始化点，该点处的斜率的符号是负的，即()/() < 0，所以接下来会向右走一步。

整个梯度下降法的迭代过程就是不断地向右走，即朝着最小值点方向走。

逻辑回归的代价函数(成本函数)(, )是含有两个参数的。