[線性回歸] 梯度下降

在有了預測函數(shù)和測量它與數(shù)據(jù)匹配度的方法之后,我們需要評估預測函數(shù)中的參數(shù)垢啼。所以就有了梯度下降算法追迟。
想象我們用預測函數(shù)產(chǎn)生的θ0和θ1來畫預測函數(shù)(事實上,我們用參數(shù)評估函數(shù)來描繪代價函數(shù))凝垛。我們并不是在描繪x和y本身,而是預測函數(shù)的參數(shù)范圍和已選擇的特定參數(shù)集的代價值蜓谋。(其實就是用一組參數(shù)(θ0, θ1)作為x和y梦皮,代價評估值作為z。)
圖中的點使用該組θ參數(shù)得到的代價函數(shù)的值孤澎。

我們要求解的最小代價值届氢,其實就是圖中的最低點(深藍色), 當然包括局部最低點和全局最低點。(就是一小范圍內(nèi)的最低點和所有最低點中的最低點)覆旭。
這么做的方法就是對代價函數(shù)求導(取函數(shù)正切值)退子。正切值的斜率就是該點的導數(shù),這也是在圖中移動的方向型将。(把圖想象成一座山峰寂祥,尋找最低點就是在尋找下山的路)每次都朝著最陡峭的方向移動,每步的大小取決于參數(shù)α七兜,叫做學習速率丸凭。
舉例而言,圖中每個星星的距離代表著每一個由α決定大小的步子腕铸。α越小惜犀,每個星星之間的距離越小狠裹;α越大虽界,每個星星之間的距離越大。而這個步子的方向則取決于J(θ0,θ1)的偏導涛菠。每個下山路徑都會的由于起點不同而導致有不同的終點莉御。如上圖就有兩個終止于不同地方的兩個不同的起點。

梯度下降算法

  repeat until convergence:
       公式
  where
      j=0,1 represents the feature index number.

公式: ** θj:=θj?α(?/?θj)J(θ01) **

'j'的每次迭代俗冻,都需要同步更新(θ0,θ1,...θn)參數(shù)礁叔。在計算前更新某個θ參數(shù)會導致產(chǎn)生錯誤算法。


同步更新 θ 參數(shù)集

單參數(shù)梯度下降

公式: ** θ1:=θ1?α(d/dθ1)J(θ1) **

不管(d/dθ1)J(θ1) 的符號是正是負迄薄。如下圖所示琅关,當斜率為負時,θ1的值增加讥蔽;當斜率為正的時候涣易,θ1的值減少人乓。

梯度下降算法應該在合適的時候收斂,無法收斂或者收斂時間過長都意味著步幅是錯誤的(α錯誤)

Paste_Image.png

α的值是固定的都毒,梯度下降是如何收斂的?
事實上碰缔,當我們接近凸函數(shù)的底部的時候账劲,d/d接近0的時候。在最小值的時候金抡,導數(shù)為0瀑焦。所以:** θ1:=θ1?α?0**

線性回歸的梯度下降

在線性回歸中,梯度下降會有一個新的形式梗肝。把實際的代價函數(shù)和預測函數(shù)替換修改榛瓮,就會得到下述等式。

m 是訓練集的大小巫击,θ0是同步改變的常量, X1,X2是訓練集的數(shù)據(jù)禀晓。
因為h(θ)=θ01Xj,所以對J(θ01)= Σ(hθ(xi)-yi)偏導, 得到上述兩條公式。
舉例說明θ1:

這樣做的意義是從一個猜測開始坝锰,重復地應用梯度下降等式粹懒,我們的預測函數(shù)(Hypothesis)會變得越來越準確。所以這就是基于最初的代價函數(shù)J的簡單梯度下降函數(shù)顷级。
這個方法在每一步都會遍歷整個訓練集凫乖,所以叫做“批”梯度下降算法。
注意弓颈,**梯度下降總體上容易受到局部最小值的影響帽芽,但是我們這里的線性回歸只有一個全局,沒有其它的局部翔冀,所以這個最小值就是最優(yōu)解导街。因此梯度下降對于全局最小值來說總是收斂的(假設學習速率α沒有太大)。


梯度下降最小化二元方程

橢圓顯示的二次方程的輪廓圖橘蜜。軌跡是梯度下降的步驟菊匿。它初始化在(48,30)计福。

最后編輯于
?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末跌捆,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子象颖,更是在濱河造成了極大的恐慌佩厚,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,743評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件说订,死亡現(xiàn)場離奇詭異抄瓦,居然都是意外死亡潮瓶,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,296評論 3 385
  • 文/潘曉璐 我一進店門钙姊,熙熙樓的掌柜王于貴愁眉苦臉地迎上來毯辅,“玉大人,你說我怎么就攤上這事煞额∷伎郑” “怎么了?”我有些...
    開封第一講書人閱讀 157,285評論 0 348
  • 文/不壞的土叔 我叫張陵膊毁,是天一觀的道長胀莹。 經(jīng)常有香客問我,道長婚温,這世上最難降的妖魔是什么描焰? 我笑而不...
    開封第一講書人閱讀 56,485評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮栅螟,結果婚禮上荆秦,老公的妹妹穿的比我還像新娘。我一直安慰自己嵌巷,他們只是感情好萄凤,可當我...
    茶點故事閱讀 65,581評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著搪哪,像睡著了一般靡努。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上晓折,一...
    開封第一講書人閱讀 49,821評論 1 290
  • 那天惑朦,我揣著相機與錄音,去河邊找鬼漓概。 笑死漾月,一個胖子當著我的面吹牛,可吹牛的內(nèi)容都是我干的胃珍。 我是一名探鬼主播梁肿,決...
    沈念sama閱讀 38,960評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼觅彰!你這毒婦竟也來了吩蔑?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 37,719評論 0 266
  • 序言:老撾萬榮一對情侶失蹤填抬,失蹤者是張志新(化名)和其女友劉穎烛芬,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,186評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡赘娄,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,516評論 2 327
  • 正文 我和宋清朗相戀三年仆潮,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片遣臼。...
    茶點故事閱讀 38,650評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡性置,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出揍堰,到底是詐尸還是另有隱情蚌讼,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布个榕,位于F島的核電站,受9級特大地震影響芥喇,放射性物質發(fā)生泄漏西采。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 39,936評論 3 313
  • 文/蒙蒙 一继控、第九天 我趴在偏房一處隱蔽的房頂上張望械馆。 院中可真熱鬧,春花似錦武通、人聲如沸霹崎。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,757評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽尾菇。三九已至,卻和暖如春囚枪,著一層夾襖步出監(jiān)牢的瞬間派诬,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,991評論 1 266
  • 我被黑心中介騙來泰國打工链沼, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留默赂,地道東北人。 一個月前我還...
    沈念sama閱讀 46,370評論 2 360
  • 正文 我出身青樓括勺,卻偏偏與公主長得像缆八,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子疾捍,可洞房花燭夜當晚...
    茶點故事閱讀 43,527評論 2 349

推薦閱讀更多精彩內(nèi)容