机器学习第4天：模型优化方法

机器学习第4天：模型优化方法—梯度下降

文章目录

前言

梯度下降原理简述

介绍

可能的问题

批量梯度下降

随机梯度下降

基本算法

存在的问题

退火算法

代码演示

小批量梯度下降

前言

若没有机器学习基础，建议先阅读同一系列以下文章

机器学习第1天：概念与体系漫游-CSDN博客

机器学习第2天：训练数据的获取与处理-CSDN博客

机器学习第3天：线性回归-CSDN博客

梯度下降原理简述

介绍

在一个多元函数中，某点的梯度方向代表函数增加最快的方向，梯度下降的原理就是，找到损失函数下降最快的方向（与梯度方向相反），然后往这个方向走，最后达到损失函数的最小值，如下图，从高的红色点到达了低的蓝色点，梯度下降就是这样一个过程

我们可以得到一个参数更新公式，把参数设为a，梯度设为grad，那么

$a=a-n*grad$

为什么要有个n呢，因为梯度方向只能表示当前位置函数增加最快的方向，对于复杂的函数，当我们改变位置的时候，这个梯度可能一直在变化，所以n代表我们每走一步的距离，我们慢慢的走下去，然后每走一步再找一次方向，这样就能走到最小的位置了

可能的问题

由于算法是往最低的地方走，当走到函数局部最小值的时候，周围都比较高，那么就可能困在这里了，无法达到全局最小值别急，当然，当损失函数是一个凸函数的时候，是没有局部最小值的，只有全局最小值，例如MSE就是一个凸函数

批量梯度下降

批量梯度下降指的是用整个向量经过矩阵运算来计算梯度，容易知道，这样算法会很慢，当训练集很大时，可能要花费很多时间

我们将每个训练集实例比作一个高山上的一个点，批量梯度下降就是算出这些点的整体趋势，然后向下运动，我们将在下面看到一种不同的想法

随机梯度下降

基本算法

与批量梯度下降不同的是，随机梯度下降每次随机选择一个实例来计算梯度，这样大大减小了运行时间，并且，随机梯度下降可以摆脱局部最小值的问题，因为随机挑选，那么即使有一部分在局部最小值中，还有一部分的方向选择可以将困住的部分解救出。

存在的问题

训练集向量中的每一个实例对应于山上的某个点，随机梯度下降就是以某个点来抉择整体的下降趋势，可以预料到，下降的过程将不会那么顺利，但趋势是对的，可以看涨图来理解随机梯度下降与批量梯度下降的区别

退火算法

当随机梯度下降算法的参数越接近最小值的时候，因为随机性，可能永远到达不了最小值，会在这周围运动

这里我们可以减小步长n，让每次变化的幅度小一点，这样我们就能更加靠近全局最小值了，这就被称作退火算法

代码演示（随机梯度下降与退火算法）

import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import SGDRegressor

np.random.seed(42)

x = np.random.rand(100, 1)
y = 2 * x + np.random.rand(100, 1)

model = SGDRegressor(max_iter=1000, tol=1e-3, penalty=None, eta0=0.1)
model.fit(x, y)
pre_y = model.predict(x)

plt.scatter(x, y)
plt.plot(x, pre_y, "r-")
plt.show()

max_iter为下降批次，tol为损失函数阈值，penalty为不使用正则化（可自行搜索），eta0为最初的步长（之后会慢慢减小），整体意思就是当模型训练1000次或损失函数比0.001小时停止训练

可以看到拟合效果也很好