Machine Learning: Gradient decent (机器学习3:使用梯度下降和退火算法得到全局最小值)

 

机器学习笔记三

 

详细阐述使用Gradient descent梯度下降的方法,求得评价模型好坏的函数L(θ)的全局最小值。

基本步骤为:首先从一个初始点θ0 开始,计算在该点下的偏导数,然后向偏导数为负的方向移动,一直重复这个步骤,直到偏导数为零的点。

 

但是这里有对于每次移动的距离,我们需要精心的设定。因为如果每次移动的距离过大,可能会导致梯度下降跳过了最小值的点,如果每次移动的距离无限小,可能会导致计算的时间过长、消耗资源过多的问题。

在公式中,移动的距离使用偏导数乘以学习率η来表达的,针对设定不同的学习率η,我们做一个可视化一个图表:

 

其中蓝色、红色和绿色的曲线是缓慢下降的,这表明学习率的选取是比较合适的,但是黄色的曲线是随时间先下降后上升的,这表明学习率,或者说移动的距离太大,导致错过了最小值的点。

 

那么如何确定每一次移动的距离呢,我们可以通过平时的生活常识得到这样一个定量的道理:当距离目标很远的时候

  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值