当前位置:网站首页>梯度下降算法在机器学习中的工作原理
梯度下降算法在机器学习中的工作原理
2020-11-06 01:14:00 【人工智能遇见磐创】
梯度下降算法在机器学习中的工作原理
作者|NIKIL_REDDY 编译|VK 来源|Analytics Vidhya
介绍
梯度下降算法是工业中最常用的机器学习算法之一。但这让很多新人感到困惑。
如果你刚刚接触机器学习,梯度下降背后的数学并不容易。在本文中,我的目的是帮助你了解梯度下降背后的直觉。
我们将快速了解成本函数的作用,梯度下降的解释,如何选择学习参数。
什么是成本函数
它是一个函数,用于衡量模型对任何给定数据的性能。成本函数将预测值与期望值之间的误差量化,并以单个实数的形式表示出来。
在对初始参数进行假设后,我们计算了成本函数。以降低代价函数为目标,利用梯度下降算法对给定数据进行参数修正。下面是它的数学表示:
![](http://qiniu.aihubs.net/90857Screenshot (41)_LI.jpg)
什么是梯度下降
假设你在玩一个游戏,玩家在山顶,他们被要求到达山的最低点。此外,他们还蒙着眼睛。那么,你认为怎样才能到达湖边?
在你继续读之前,花点时间考虑一下。
最好的办法是观察地面,找出地面下降的地方。从这个位置开始,向下降方向迈出一步,重复这个过程,直到到达最低点。
梯度下降法是一种求解函数局部极小值的迭代优化算法。
要用梯度下降法求函数的局部极小值,必须选择与当前点处函数的负梯度(远离梯度)的方向。如果我们采取与梯度的正方向,我们将接近函数的局部极大值,这个过程称为梯度上升。
梯度下降最初是由柯西在1847年提出的。它也被称为最速下降。
梯度下降算法的目标是最小化给定函数(比如成本函数)。为了实现这一目标,它迭代地执行两个步骤:
-
计算梯度(斜率),函数在该点的一阶导数
-
在与梯度相反的方向上做一步(移动)
![](http://qiniu.aihubs.net/36152Screenshot (43).png)
Alpha被称为学习率-优化过程中的一个调整参数。它决定了步长。
绘制梯度下降算法
当我们有一个单一的参数(θ),我们可以在y轴上绘制因变量成本,在x轴上绘制θ。如果有两个参数,我们可以进行三维绘图,其中一个轴上有成本,另两个轴上有两个参数(θ)。
它也可以通过使用等高线来可视化。这显示了一个二维的三维绘图,其中包括沿两个轴的参数和等高线的响应值。远离中心的响应值增加,并且随着环的增加而增加。
α-学习率
我们有了前进的方向,现在我们必须决定我们必须采取的步骤的大小。
必须谨慎选择,以达到局部最小值。
-
如果学习率太高,我们可能会超过最小值,而不会达到最小值
-
如果学习率太低,训练时间可能会太长
a) 学习率最优,模型收敛到最小
b) 学习速度太小,需要更多的时间,但会收敛到最小值
c) 学习率高于最优值,较慢速度的收敛(1/c<η < 2/c)
d) 学习率非常大,它会过度偏离,偏离最小值,学习性能下降
注:随着梯度减小而向局部最小值移动,步长减小。因此,学习速率(alpha)可以在优化过程中保持不变,而不需要迭代地改变。
局部最小值
成本函数可以由许多最小点组成。梯度可以落在任何一个极小值上,这取决于初始点(即初始参数θ)和学习速率。因此,在不同的起点和学习率下,优化可以收敛到不同的点。
梯度下降的Python代码实现
结尾
一旦我们调整了学习参数(alpha)并得到了最优的学习速率,我们就开始迭代,直到我们收敛到局部最小值。
欢迎关注磐创AI博客站: http://panchuang.net/
sklearn机器学习中文官方文档: http://sklearn123.com/
欢迎关注磐创博客资源汇总站: http://docs.panchuang.net/
版权声明
本文为[人工智能遇见磐创]所创,转载请带上原文链接,感谢
https://my.oschina.net/u/4253699/blog/4704948
边栏推荐
- 面经手册 · 第16篇《码农会锁,ReentrantLock之公平锁讲解和实现》
- Python machine learning algorithm: linear regression
- 自然语言处理-搜索中常用的bm25
- 安装Consul集群
- 7.2.1 配置静态资源的缓存 -《SSM深入解析与项目实战》
- 想要做读写分离,送你一些小经验
- 解決pl/sql developer中資料庫插入資料亂碼問題
- 阿里CCO项目组面试的思考
- 自然语言处理-错字识别(基于Python)kenlm、pycorrector
- 7.3.1 file upload and zero XML registration interceptor
猜你喜欢
TF flags的简介
Working principle of gradient descent algorithm in machine learning
别走!这里有个笔记:图文讲解 AQS ,一起看看 AQS 的源码……(图文较长)
面经手册 · 第16篇《码农会锁,ReentrantLock之公平锁讲解和实现》
网络安全工程师演示:原来***是这样获取你的计算机管理员权限的!【***】
被老程式設計師壓榨怎麼辦?我不想辭職
Gradient understanding decline
keras model.compile损失函数与优化器
How to select the evaluation index of classification model
适合时间序列数据的计算脚本
随机推荐
通用的底层埋点都是怎么做的?
Polkadot系列(二)——混合共识详解
Big data real-time calculation of baichenghui Hangzhou station
【Flutter 實戰】pubspec.yaml 配置檔案詳解
ES6精华:Proxy & Reflect
5.5 ControllerAdvice注解 -《SSM深入解析与项目实战》
PPT画成这样,述职答辩还能过吗?
不能再被问住了!ReentrantLock 源码、画图一起看一看!
drf JWT认证模块与自定制
架构文章搜集
网络安全工程师演示:原来***是这样获取你的计算机管理员权限的!【***】
被老程式設計師壓榨怎麼辦?我不想辭職
2个月再招10000人,字节跳动冲刺10万员工“小目标”
tensorflow之tf.tile\tf.slice等函数的基本用法解读
Asp.Net Core学习笔记:入门篇
7.3.2 File Download & big file download
阿里CCO项目组面试的思考
面经手册 · 第15篇《码农会锁,synchronized 解毒,剖析源码深度分析!》
从零学习人工智能,开启职业规划之路!
Dapr实现分布式有状态服务的细节