是什么?
无监督学习,回归问题
原理
- 回归模型就是表示从输入变量到输出变量之间的映射函数
- 回归问题的学习等价于函数拟合,使其能更好的拟合已知数据,并更好的未知数据做出预测。
- 通过损失函数来查看拟合的程度,通过梯度下降法等算法来使拟合已知数据
模型:数学函数
策略:求解最优模型的评估策略
算法:求解最优模型的具体方法
求解步骤:
- 定义模型,随机初始化模型参数θ,b
- 定义损失函数
- 确定求解最优模型的具体算法;如梯度下降法,以找到损失函数的最小值为目标,使用梯度下降法不断的更新参数,直至找出一组合适的参数θ,b
【补充:最小二乘法使其偏导=0,一次计算直接求出参数,而梯度下降法是一步一步的更新参数,直至求出最合适的 】
梯度下降的缺点: 容易达到局部最小值
解决: 随机梯度下降法
梯度下降法与随机梯度下降法的区别:
- 更新参数的速度
- 梯度下降法需要遍历所有样本
- 随机梯度下降法每次只遍历一个样本
总结:梯度下降法更新一次参数时,随机梯度下降法已经更新了n次
【补充:小批量随机梯度下降法:每次遍历指定数量的样本】