阅读目录
- 1. 批量梯度下降法BGD
- 2. 随机梯度下降法SGD
- 3. 小批量梯度下降法MBGD
- 4. 总结
在应用机器学习算法时，我们通常采用梯度下降法来对采用的算法进行训练。其实，常用的梯度下降法还具体包含有三种不同的形式，它们也各自有着不同的优缺点。
下面我们以线性回归算法来对三种梯度下降法进行比较。
一般线性回归函数的假设函数为：
h θ =∑ n j=0 θ j x j hθ=∑j=0nθjxj
对应的能量函数（损失函数）形式为：
J train (θ)=1/(2m)∑ m i=1 (h θ (x (i) )−y (i) ) 2 Jtrain(θ)=1/(2m)∑i=1m(hθ(x(i))−y(i))2
下图为一个二维参数（θ 0 θ0和θ 1 θ1）组对应能量函数的可视化图：
回到顶部
1. 批量梯度下降法BGD
批量梯度下降法（Batch Gradient Descent，简称BGD）是梯度下降法最原始的形式，它的具体思路是在更新每一参数时都使用所有的样本来进行更新，其数学形式如下：
(1) 对上述的能量函数求偏导：
(2) 由于是最小化风险函数，所以按照每个参数θ θ的梯度负方向来更新每个θ θ：
具体的伪代码形式为：
repeat{
（for every j=0, ... , n）
}
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，如果样本数目m 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。
优点：全局最优解；易于并行实现；
缺点：当样本数目很多时，训练过程会很慢。
从迭代的次数上来看，BGD迭代的次数相对较少。其迭代的收敛曲线示意图可以表示如下：
回到顶部
2. 随机梯度下降法SGD
由于批量梯度下降法在更新每一个参数时，都需要所有的训练样本，所以训练过程会随着样本数量的加大而变得异常的缓慢。随机梯度下降法（Stochastic Gradient Descent，简称SGD）正是为了解决批量梯度下降法这一弊端而提出的。
将上面的能量函数写为如下形式：
利用每个样本的损失函数对θ θ求偏导得到对应的梯度，来更新θ θ：
具体的伪代码形式为：
1. Randomly shuffle dataset；
2. repeat{
for i=1, ... , m m{
(for j=0, ... , n n)
}
}
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。
优点：训练速度快；
缺点：准确度下降，并不是全局最优；不易于并行实现。
从迭代的次数上来看，SGD迭代的次数较多，在解空间的搜索过程看起来很盲目。其迭代的收敛曲线示意图可以表示如下：
回到顶部
3. 小批量梯度下降法MBGD
有上述的两种梯度下降法可以看出，其各自均有优缺点，那么能不能在两种方法的性能之间取得一个折衷呢？即，算法的训练过程比较快，而且也要保证最终参数训练的准确率，而这正是小批量梯度下降法（Mini-batch Gradient Descent，简称MBGD）的初衷。
MBGD在每次更新参数时使用b个样本（b一般为10），其具体的伪代码形式为：
Say b=10, m=1000.
Repeat{
for i=1, 11, 21, 31, ... , 991{
(for every j=0, ... , n n)
}
}
4.具体实现描述
(1)线性回归的定义
(2)单变量线性回归
(3)
cost function：评价线性回归是否拟合训练集的方法
(4)
梯度下降：解决线性回归的方法之一
(5)
feature scaling：加快梯度下降执行速度的方法
(6)多变量线性回归
Linear Regression
注意一句话：多变量线性回归之前必须要Feature Scaling！
方法：线性回归属于监督学习，因此方法和监督学习应该是一样的，先给定一个训练集，根据这个训练集学习出一个线性函数，然后测试这个函数训练的好不好（即此函数是否足够拟合训练集数据），挑选出最好的函数（cost function最小）即可；
注意：
(1)因为是线性回归，所以学习到的函数为线性函数，即直线函数；
(2)因为是单变量，因此只有一个x；
我们能够给出单变量线性回归的模型：
我们常称x为feature，h(x)为hypothesis；
从上面“方法”中，我们肯定有一个疑问，怎么样能够看出线性函数拟合的好不好呢？
我们需要使用到Cost Function（代价函数），代价函数越小，说明线性回归地越好（和训练集拟合地越好），当然最小就是0，即完全拟合；
| 举个实际的例子： 我们想要根据房子的大小，预测房子的价格，给定如下数据集： 根据以上的数据集画在图上，如下图所示：
我们需要根据这些点拟合出一条直线，使得cost Function最小；
|
虽然我们现在还不知道Cost Function内部到底是什么样的，但是我们的目标是：给定输入向量x，输出向量y，theta向量，输出Cost值；
以上我们对单变量线性回归的大致过程进行了描述；
Cost Function
Cost Function的用途：对假设的函数进行评价，cost function越小的函数，说明拟合训练数据拟合的越好；
下图详细说明了当cost function为黑盒的时候，cost function 的作用；
但是我们肯定想知道cost Function的内部构造是什么？因此我们下面给出公式：
其中：
表示向量x中的第i个元素；
表示向量y中的第i个元素；
表示已知的假设函数；
m为训练集的数量；
| 比如给定数据集(1,1)、(2,2)、(3,3)
则x = [1;2;3]，y = [1;2;3] （此处的语法为Octave语言的语法，表示3*1的矩阵）
如果我们预测theta0 = 0，theta1 = 1，则h(x) = x，则cost function：
J(0,1) = 1/(2*3) * [(h(1)-1)^2+(h(2)-2)^2+(h(3)-3)^2] = 0；
如果我们预测theta0 = 0，theta1 = 0.5，则h(x) = 0.5x，则cost function：
J(0,0.5) = 1/(2*3) * [(h(1)-1)^2+(h(2)-2)^2+(h(3)-3)^2] = 0.58； |
如果theta0 一直为 0， 则theta1与J的函数为：
如果有theta0与theta1都不固定，则theta0、theta1、J 的函数为：
当然我们也能够用二维的图来表示，即等高线图；
注意：如果是线性回归，则costfunctionJ与的函数一定是碗状的，即只有一个最小点；
以上我们讲解了cost function 的定义、公式；
Gradient Descent（梯度下降）
但是又一个问题引出了，虽然给定一个函数，我们能够根据cost function知道这个函数拟合的好不好，但是毕竟函数有这么多，总不可能一个一个试吧？
因此我们引出了梯度下降：能够找出cost function函数的最小值；
梯度下降原理：将函数比作一座山，我们站在某个山坡上，往四周看，从哪个方向向下走一小步，能够下降的最快；
当然解决问题的方法有很多，梯度下降只是其中一个，还有一种方法叫Normal Equation；
方法：
(1)先确定向下一步的步伐大小，我们称为Learning rate；
(2)任意给定一个初始值： ；
(3)确定一个向下的方向，并向下走预先规定的步伐，并更新 ；
(4)当下降的高度小于某个定义的值，则停止下降；
算法：
特点：
(1)初始点不同，获得的最小值也不同，因此梯度下降求得的只是局部最小值；
(2)越接近最小值时，下降速度越慢；
问题：如果初始值就在local minimum的位置，则会如何变化？
答：因为 已经在local minimum位置，所以derivative 肯定是0，因此 不会变化；
如果取到一个正确的值，则cost function应该越来越小；
问题：怎么取 值？
答：随时观察 值，如果cost function变小了，则ok，反之，则再取一个更小的值；
下图就详细的说明了梯度下降的过程：
从上面的图可以看出：
初始点不同，获得的最小值也不同，因此梯度下降求得的只是局部最小值；
注意：下降的步伐大小非常重要，因为如果太小，则找到函数最小值的速度就很慢，如果太大，则可能会出现overshoot the minimum的现象；
下图就是overshoot minimum现象：
如果Learning rate取值后发现J function 增长了，则需要减小Learning rate的值；
Integrating with Gradient Descent & Linear Regression
梯度下降能够求出一个函数的最小值；
线性回归需要求出，使得cost function的最小；
因此我们能够对cost function运用梯度下降，即将梯度下降和线性回归进行整合，如下图所示：
梯度下降是通过不停的迭代，而我们比较关注迭代的次数，因为这关系到梯度下降的执行速度，为了减少迭代次数，因此引入了Feature Scaling；
Feature Scaling
此种方法应用于梯度下降，为了
加快梯度下降的执行速度；
思想：将各个feature的值标准化，使得取值范围
大致都在-1<=x<=1之间；
常用的方法是Mean Normalization，即
或者：
[X-mean(X)]/std(X);
| 举个实际的例子，
有两个Feature：
(1)size，取值范围0~2000；
(2)#bedroom，取值范围0~5；
则通过feature scaling后，
|
练习题
我们想要通过期中开始成绩预测期末考试成绩，我们希望得到的方程为：
给定以下训练集：
| midterm exam |
(midterm exam)2 |
final exam |
| 89 |
7921 |
96 |
| 72 |
5184 |
74 |
| 94 |
8836 |
87 |
| 69 |
4761 |
78 |
我们想对(midterm exam)^2进行feature scaling，则 经过feature scaling后的值为多少？
max = 8836,min=4761,mean=6675.5，则x=(4761-6675.5)/(8836-4761) = -0.47；
多变量线性回归
前面我们只介绍了单变量的线性回归，即只有一个输入变量，现实世界不可能这么简单，因此此处我们要介绍多变量的线性回归；
举个例子：
房价其实由很多因素决定，比如size、number of bedrooms、number of floors、age of home等，这里我们假设房价由4个因素决定，如下图所示：
我们前面定义过单变量线性回归的模型：
这里我们可以定义出多变量线性回归的模型：
Cost function如下：
如果我们要用梯度下降解决多变量的线性回归，则我们还是可以用传统的梯度下降算法进行计算：
总练习题：
1.我们想要根据一个学生第一年的成绩预测第二年的成绩，x为第一年得到A的数量，y为第二年得到A的数量，给定以下数据集：
(1)训练集的个数是多少？ 4个；
(2)J(0,1)的结果是多少？
J(0,1) = 1/(2*4)*[(3-4)^2+(2-1)^2+(4-3)^2+(0-1)^2] = 1/8*(1+1+1+1) = 1/2 = 0.5；
我们也可以通过vectorization的方法快速算出J(0,1)：
回到顶部
