Press "Enter" to skip to content

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。

 

什幺是成本函数

 

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:

 


_LI.jpg)

 

什幺是梯度下降

 

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。那幺,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:

 

 

    1. 计算梯度(斜率),函数在该点的一阶导数

 

    1. 在与梯度相反的方向上做一步(移动)

 

 


.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。

 

原文链接: https://www.analyticsvidhya.c…

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注