第二课:逻辑回归与梯度下降
梯度下降法
【原理】梯度下降原理
作者 : 老饼 日期 : 2022-06-26 03:47:47 更新 : 2022-11-29 05:27:26
本站原创文章,转载请说明来自《老饼讲解-机器学习》ml.bbbdata.com


梯度下降算法是一种求解最小值的算法,

由于机器学习中通常需要求最小化损失函数时的参数的取值,

机器学习中经常使用梯度下降算法

本文我们介绍梯度下降算法的思想、实现流程和优缺点



   01. 问题背景   


本节我们介绍为什么需要梯度下降算法,和梯度下降算法解决什么问题


   问题背景   


在单变量函数求取最小值问题中,
我们通常只要令f(x)的导数为0,然后解出x就可以 
  然而,在多元函数中,求偏导令偏导为0,解出x是非常困难的,
 

虽然n个自变量,能求得n条偏导等式
然而,只有这n条等式是线性方程组时,我们才有系统的方法对其求解
如果是非线性方程,我们目前并没有成熟的求解方案
  Pass:这也是为什么我们很喜欢构造线性问题,因为它能轻松求解 
  所以,联立偏导方程求精确解的路子行不通, 
我们的替代方案就是进行数值求解,梯度下降法就是其中常用方法之一

  




   02. 梯度下降算法思想   


本节我们介绍梯度下降算法的思路和讨论梯度的意义与初始化方法


     思路概览   


梯度下降算法的思路是,
先取一个初始值x0,然后进行迭代。
每次都往梯度的反方向调整它(在一维中即导数的负方向)
直到迭代条件终止(例如无法令f(x)的值下降,即达到局部最低点)



   关于梯度   


在一元函数中,负梯度就是导数的反方向
在多元函数中,负梯度就是各个变量偏导数的反方向
  
 它是函数下降最快的方向(即调整相同步长,负梯度能令f(x)下降最快),故也称为最速下降法




   关于初始值  


从算法原理,我们可以知道,
 梯度下降法对 x 的初始化非常敏感,
因为它只能找到离初始值最近的局部极小值,
如果初始化不好,找到的结果也不好。
 
往往是先随机初始化,然后多跑几次,看哪个结果好,就用哪一个






   03. 梯度下降-算法流程    


本节介绍梯度下降算法的算法流程,与展示算法流程图


    算法流程与流程图    


梯度下降算法流程如下:
1. 先初始化x的值 ​(按个人经验初始化,或随机初始化,或设为0)                     
2. 计算 在处的梯度,令,(lr为学习率,可设为0.1) 
3. 计算处的梯度,令                                   
4. ...如此类推....一直到满足迭代终止条件,最后一次的即为所要找的解。        
迭代终止条件:达到迭代次数,或者 变化不大,或者变化不大
算法流程图如下:
 
简单的说,就是先初始化 ​  ,然后按  不断迭代就行






 End 







联系老饼