#自定義虛擬資料集
import numpy as np
import matplotlib.pyplot as plt
m=100000
#m個樣本
x=np.random.normal(size=m)
x=x.reshape(-1
,1)y=
4.*x+3
.+np.random.normal(0,
3,size=m)
defj
(theta,x_b,y)
:try
:return np.
sum(
(y-x_b.dot(theta)**2
)/len(x_b)
except
:return
float
('inf'
)def
dj_sgd
(theta,x_b_i,y_i)
:return x_b_i.t.dot(x_b_i.dot(theta)
-y_i)*2
.def
sgd(x_b,y,initial_theta,n_iters)
: t0=
5 t1=
50def
learning_rate
(t):
retrun t0/
(t+t1)
theta=initial_theta
for cur_iter in
range
(n_iters)
: rand_i=np.random.randint(
len(x_b)
) gradient=dj_sgd(theta,x_b[rand_i]
,y[rand_i]
) theta=theta-learning_rate(cur_iter)
*gradient
return theta
%%time
x_b=np.hstack(
[np.ones(
(len
(x),1)
),x]
)initial_theta=np.zeros(x_b.shape[1]
)theta=sgd(x_b,y,initial_theta,n_iters=
len(x_b)//3
)
可以看出隨機梯度下降的準確率和梯度下降差不多，但是時間大大減少了。實際上這裡的時間花費只有1/3m。
在sklearn中使用隨機梯度下降法
from sklearn.linear_model import sgdregressor
sgd_reg=sgdregressor(
)%time sgd_reg.fit(x_train_standard,y_train)
sgd_reg.score(x_test_standard,y_test)
梯度下降法和隨機梯度下降法
批量梯度下降法 batch gradient descent 在更新引數時使用所有的樣本來進行更新 隨機梯度下降法 stochastic gradient descent 求梯度時沒有用所有的m個樣本的資料，而是僅僅選取乙個樣本j來求梯度。小批量梯度下降法 mini batch gradient d...
隨機梯度下降法
剛剛看完史丹福大學機器學習第四講 牛頓法 也對學習過程做一次總結吧。一 誤差準則函式與隨機梯度下降 數學一點將就是，對於給定的乙個點集 x，y 找到一條曲線或者曲面，對其進行擬合之。同時稱x中的變數為特徵 feature y值為 值。如圖 乙個典型的機器學習的過程，首先給出一組輸入資料x，我們的演算...
梯度下降法和隨機梯度下降法的區別
梯度下降和隨機梯度下降之間的關鍵區別 1 標準梯度下降是在權值更新前對所有樣例彙總誤差，而隨機梯度下降的權值是通過考查某個訓練樣例來更新的。2 在標準梯度下降中，權值更新的每一步對多個樣例求和，需要更多的計算。3 標準梯度下降，由於使用真正的梯度，標準梯度下降對於每一次權值更新經常使用比隨機梯度下降...