Gradient Descent 梯度下降算法
在之前,我们了解过关于代价函数J的图形,现介绍一种寻求J极值的办法
先在图中任意取一点,然后反复迭代以下公式,直到达到极值。可以类比于下山,站在山的某一处,你每下一步山都寻找你所在位置下山最快的方向,或者说是坡度最大的方向,直到山谷。
式子中j=0或1,α表示学习速率,可以理解成每次下山步子的大小,它控制我们以多大的幅度更新参数θj。需要注意的是,当初始点选取的有一点偏差时,最终计算得到的极值也会不同。以及,θ0,θ1是同步更新的,即通过当时的参数值计算出所有下一次的参数值并同步更新,进行下一次迭代。但是我们在线性回归中提出的优化问题只有一个全局,没有其他局部最优值;因此梯度下降总是收敛到全局极小值(假设学习速率α不太大)。
α不宜选取过大或过小,过小会导致迭代次数过多,而过大可能导致最终结果无法收敛甚至发散(在接近极值时由于α过大,可能会越过极值点)。
其中偏导的计算可应用以下公式:
Parameter Learning
最新推荐文章于 2021-06-22 21:17:44 发布