Stochastic Gradient Descent 随机梯度下降法-R实现
2015-06-05 21:28
337 查看
随机梯度下降法
【转载时请注明来源】:http://www.cnblogs.com/runner-ljt/
Ljt
作为一个初学者,水平有限,欢迎交流指正。
批量梯度下降法在权值更新前对所有样本汇总误差,当样本较多时,其计算量就会非常大。
随机梯度下降法的权值更新是通过单个的样本进行更新,每读取一条样本数据就对所有权值进行一次更新,然后判断是否收敛,若不收敛则继续代入样本数据进行更新。
随机梯度下降法使损伤函数趋近最小值的速度更快,但是可能造成永远不能收敛到最小值,或一直在最小值周围震荡。
设置固定步长的随机梯度下降法的R实现:
【转载时请注明来源】:http://www.cnblogs.com/runner-ljt/
Ljt
作为一个初学者,水平有限,欢迎交流指正。
批量梯度下降法在权值更新前对所有样本汇总误差,当样本较多时,其计算量就会非常大。
随机梯度下降法的权值更新是通过单个的样本进行更新,每读取一条样本数据就对所有权值进行一次更新,然后判断是否收敛,若不收敛则继续代入样本数据进行更新。
随机梯度下降法使损伤函数趋近最小值的速度更快,但是可能造成永远不能收敛到最小值,或一直在最小值周围震荡。
设置固定步长的随机梯度下降法的R实现:
#Stochastic Gradient Descent 随机梯度下降法 #x为数据矩阵(mxn m:样本数 n:特征数 );y观测值;error终止条件;maxiter最大迭代次数 StochasticGradientDescent<-function(x,y,error,maxiter,step=0.001){ m<-nrow(x) x<-cbind(matrix(1,m,1),x) n<-ncol(x) theta<-matrix(rep(0,n),n,1) #ktheta初始值都设置为0 iter<-0 #迭代次数 k<-0 #第k个样本 newerror<-1 while(iter<maxiter|newerror>error){ iter<-iter+1 k<-k+1 ifelse(k>m,k<-k%%m,k) xk<-x[k,,drop=FALSE] yk<-y[k,,drop=FALSE] hk<-xk%*%theta des<-t((hk-yk)%*%xk) new_theta<-theta-step*des newerror<-t(new_theta-theta)%*%(new_theta-theta) theta<-new_theta } costfunction<-t(x%*%theta-y)%*%(x%*%theta-y) result<-list(theta,iter,costfunction) names(result)<-c('系数','迭代次数','误差') result }
相关文章推荐
- 随笔
- hdu 2795 Billboard 线段树 点更新
- 面试经历1
- SQLite数据库框架ORMLite与GreenDao的简单比较
- 内部类
- ViewPager实现页面滑动的学习与使用
- 工作十二载,第一次实施自己换工作的想法,面试总结
- Valid Parentheses
- AVL树旋转操作图解
- IO系统
- HDU 不容易系列之(4)——考新郎
- 【教材】 用Cheat Engine查找特殊码(简易版)
- Tomcat安全配置及优化
- HDU 钥匙计数之一
- 弗罗贝尼乌斯范数(Frobenius norm)
- 【HDU】1402 A * B Problem Plus 【FFT】
- 指针函数和函数指针
- SYNONYMS
- Codeforces Round #306 (Div. 2) B(dfs)
- HDU 计算直线的交点数