梯度下降法

梯度下降法是一种最优化算法，常用来优化参数，通常也称为最速下降法。

梯度下降法是一般分为如下两步：

1）首先对参数θ赋值，这个值可以是随机的，也可以让θ是一个全零的向量；

2）改变θ的值，使得J(θ)按梯度下降的方向进行减少。

以一个线性回归问题为例，应用libsvm包里的数据heart_scale.mat数据做测试。假设要学习这么一个函数：



那么损失函数可以定义成：



其中X看以看成一行一行的样本向量，那么Θ就是一列一列的了。目标很简单，就是求损失J最小值时候的解Θ：

先直接求导，对于求导过程，详解如下：

首先定义损失变量：



那么损失函数就可以表示成：



一步一步的求导：



再求：



那么把分步骤合起来就是：



令导数为0，求此时的Θ，整理一下，有：



用矩阵符号将上面的细节运算抽象一下：



让导数为0，那么求得的解为：



求解矩阵的逆复杂度有点儿高，可以用梯度下降来求解：



其中γ就是下降的速度，一般是一个小的数值，可以从0.01开始尝试，越大下降越快，收敛越快。

迭代终止的条件取：



部分代码如下：

w_old=zeros(size(X,2),1);%%初始化参数w

k=1;

while 1

minJ_w(k) = 1/2 * (norm(X*w_old - Y))^2; %%损失函数 公式(1) %%norm默认为L2标准化

w_new = w_old - gamma*(X'*X*w_old - X'*Y);%%梯度下降公式

%%公式（2）

if norm(w_new-w_old) < epsilon %%终止条件

W_best = w_new;

break;

end

w_old = w_new;

k=k+1;

end

实验结果：