详细内容或原文请订阅后点击阅览
机器学习中的原型梯度下降
使用随机 /批次GD的数学定理和信用交易预测，机器学习中的原型梯度下降首先是在迈向数据科学的。
来源:走向数据科学学习
监督学习是机器学习的类别，它使用标记的数据集来训练算法以预测结果并识别模式。
与无监督的学习不同，监督的学习算法被标记为培训，以学习输入与输出之间的关系。
先决条件：线性代数
线性代数假设我们存在一个回归问题，其中模型需要通过拿起n个输入特征（XI）来预测连续值。
回归问题预测值定义为称为假设（H）的函数：
假设其中：
- θi：i-th参数对应于每个输入特征（x_i），ϵ（epsilon）：高斯错误（ϵ 〜n（0，σ²）））
作为单个输入的假设会生成标量值（Hθ（x）∈R），可以表示为参数矢量（θt）的threspose的点产物（θt）和该输入的特征向量（x）：
参数矢量（θt）的转置 该输入的特征向量（x）批处理梯度下降
梯度下降是一种迭代优化算法，用于查找功能的局部最小值。在每个步骤中，它朝着最陡峭下降方向相反的方向移动，以逐步降低功能的值 - 简单地继续下坡。
梯度下降现在，回想一下我们有n个影响预测的参数。因此，我们需要了解对应于训练数据（XI））对函数的单个参数（θi）的特定贡献。
单个参数 ）假设我们将每个步骤的大小设置为学习率（α），并找到成本曲线（J），然后在每个步骤中扣除参数，以便：
α（α：学习率，J（θ）：成本函数，∂/∂θI：相对于θi的成本函数的部分导数）
α： θ）：C θi： θi渐变
梯度表示成本函数的斜率。
θ0至θn）。因此，参数（θ）位于（n+1）维空间中。
（图像来源：作者）