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:
![梯度下降及具体计算方式_第1张图片](http://img.e-com-net.com/image/info8/547bceacd89742309cb286b5a77a9e92.png)
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:
![](http://img.e-com-net.com/image/info8/58d92ef657ae4516815d5e9ec2532cb7.png)
(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:
![](http://img.e-com-net.com/image/info8/2c94882083fe4e1284c23ce3e3c21c4b.png)
具体的伪代码形式为:
repeat{
![](http://img.e-com-net.com/image/info8/2c94882083fe4e1284c23ce3e3c21c4b.png)
(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:
![](http://img.e-com-net.com/image/info8/e9e960fff216450f93da2798d7d2c3da.jpg)
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:
![](http://img.e-com-net.com/image/info8/d4440cef8f8747308ad6dd42ce083de8.png)
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:
![](http://img.e-com-net.com/image/info8/b4affb0fe883483d86dc2904322e06a5.png)
具体的伪代码形式为:
1. Randomly shuffle dataset;
2. repeat{
for i=1, ... , m m{
![](http://img.e-com-net.com/image/info8/b4affb0fe883483d86dc2904322e06a5.png)
(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:
![](http://img.e-com-net.com/image/info8/b49fcdae13934df585e7e4852b3fdcec.jpg)
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{
![](http://img.e-com-net.com/image/info8/77781f4bb17043cd9f21cc62d4e4ea29.jpg)
(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