梯度下降(批量&随机)和非负矩阵分解
来源:互联网 发布:andriod连接mac电脑 编辑:程序博客网 时间:2024/06/06 14:03
原文:
http://blog.csdn.net/lilyth_lilyth/article/details/8973972
http://wenku.baidu.com/link?url=8FLAapLxSIkdpjZbsmlBr9QiiaCIdkWvEL05Bnao-120hLM9aLADyjOrUt_bO_RsVhG1uydtzoxY5IHDwEhkxTSe-VFatvXzmO0U57dbTmi
一、梯度下降(批量&随机)
梯度下降(GD)是最小化风险函数、损失函数的一种常用方法,随机梯度下降和批量梯度下降是两种迭代求解思路,下面从公式和实现的角度对两者进行分析,如有哪个方面写的不对,希望网友纠正。
下面的h(x)是要拟合的函数,J(theta)损失函数,theta是参数,要迭代求解的值,theta求解出来了那最终要拟合的函数h(theta)就出来了。其中m是训练集的记录条数,j是参数的个数。
1、批量梯度下降的求解思路如下:
(1)将J(theta)对theta求偏导,得到每个theta对应的的梯度
(2)由于是要最小化风险函数,所以按每个参数theta的梯度负方向,来更新每个theta
(3)从上面公式可以注意到,它得到的是一个全局最优解,但是每迭代一步,都要用到训练集所有的数据,如果m很大,那么可想而知这种方法的迭代速度!!所以,这就引入了另外一种方法,随机梯度下降。
2、随机梯度下降的求解思路如下:
(1)上面的风险函数可以写成如下这种形式,损失函数对应的是训练集中每个样本的粒度,而上面批量梯度下降对应的是所有的训练样本:
(2)每个样本的损失函数,对theta求偏导得到对应梯度,来更新theta
(3)随机梯度下降是通过每个样本来迭代更新一次,如果样本量很大的情况(例如几十万),那么可能只用其中几万条或者几千条的样本,就已经将theta迭代到最优解了,对比上面的批量梯度下降,迭代一次需要用到十几万训练样本,一次迭代不可能最优,如果迭代10次的话就需要遍历训练样本10次。但是,SGD伴随的一个问题是噪音较BGD要多,使得SGD并不是每次迭代都向着整体最优化方向。
3、对于上面的linear regression问题,与批量梯度下降对比,随机梯度下降求解的会是最优解吗?
(1)批量梯度下降---最小化所有训练样本的损失函数,使得最终求解的是全局的最优解,即求解的参数是使得风险函数最小。
(2)随机梯度下降---最小化每条样本的损失函数,虽然不是每次迭代得到的损失函数都向着全局最优方向, 但是大的整体的方向是向全局最优解的,最终的结果往往是在全局最优解附近。
4、梯度下降用来求最优解,哪些问题可以求得全局最优?哪些问题可能局部最优解?
对于上面的linear regression问题,最优化问题对theta的分布是unimodal,即从图形上面看只有一个peak,所以梯度下降最终求得的是全局最优解。然而对于multimodal的问题,因为存在多个peak值,很有可能梯度下降的最终结果是局部最优。
实例分析:http://blog.csdn.net/zbc1090549839/article/details/38149561
为何不能直接用计算的方法得到最优点而用迭代的方式:
http://blog.csdn.net/zouxy09/article/details/20319673
(见原文)
- 梯度下降(批量&随机)和非负矩阵分解
- NMF(非负矩阵分解)的SGD(随机梯度下降)实现
- NMF(非负矩阵分解)的SGD(随机梯度下降)实现
- NMF(非负矩阵分解)的SGD(随机梯度下降)实现
- NMF(非负矩阵分解)的SGD(随机梯度下降)实现
- 随机梯度下降和批量梯度下降
- 随机梯度下降和批量梯度下降
- 批量梯度下降和随机梯度下降
- 梯度下降、随机梯度下降和批量梯度下降
- 梯度算法之批量梯度下降,随机梯度下降和小批量梯度下降
- 批量梯度下降和随机梯度下降matlab 实现
- 随机梯度下降法和批量梯度下降法
- 随机梯度下降和批量梯度下降的区别
- 随机梯度下降法和批量梯度下降法
- [转载]随机梯度下降求解矩阵分解的sample(M=UV类型分解)
- 随机梯度下降求解矩阵分解的sample(M=UV类型分解)
- batch gradient descent(批量梯度下降) 和 stochastic gradient descent(随机梯度下降)
- 随机梯度下降(Stochastic gradient descent)和 批量梯度下降(Batch gradient descent )
- 使用GCC扩展attribute,在main函数外进行操作
- A Simple Review Of 《Query Languages for Graph Databases》(III)
- HTML/CSS IE6、7兼容性问题、bug总汇
- ZOJ 3430 Detect the Virus (AC自动机)
- 进制转换/码制转换和计算机大端和小端模式
- 梯度下降(批量&随机)和非负矩阵分解
- Git之2——基本操作
- 在eclipse 中运行 需sudo root权限执行的程序
- jquery 实现可编辑div
- android fragment(2)
- 自定义view(视图类)
- 布尔(bool)全排列
- linux下vi命令大全
- hpu1695 一道签到题