梯度下降法

参考：https://blog.csdn.net/kevin_123c/article/details/51879935

机器学习中，常常会用到梯度下降法来减小损失，求解模型的最优解。

线性回归函数的一般可以写成：hθ=∑n j=0 θjxj

损失函数为：

 

１、批量梯度下降法（BGD，batch gradient decent)

　　批量梯度下降法是每次迭代更新参数时，都用上所有的样本。这样，迭代一次就需要用到十几万训练样本，而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。

　　这样虽然可以得到全局最优解，但是计算量很大，影响速度。

 

２、随机梯度下降法（SGD，stochastic gradient decent）

　　随机梯度下降法是每次迭代更新参数时，只使用一个样本。如果样本量很大的情况，那么可能只用其中部分的样本，就已经将参数theta迭代到最优解了。

　　该方法优点是训练速度快，缺点是单个样本的噪声较大，使得SGD并不是每次迭代都是向着整体最优的方向，准确率下降，并不是全局最优。

 

３、小批量梯度下降法（MBGD，mini batch gradient decent）

　　小批量梯度下降法是在每次迭代更新参数时，使用固定a个样本。比如总样本1000，取a=10。

　　该方法是对上述两种方法做的改进。