1.梯度下降(单,多元)
2.特征缩放
3.选择合适的α(学习率)
4.特征和多项式
梯度下降是很常用的算法,不仅用于线性回归,还广泛应用于机器学习的众多领域,可以最小化其他函数(任意函数)
不同的起始点有可能得到不同的局部最优解
下图Θ逐渐减小,直到最佳状态
可能会出现的问题
随着导数斜率越来越小,下降的越来越慢
多特征的时候
单个特征对比多个特征(多元线性回归)
特征缩放(将特征的值转换为相近似的范围)
也可以运用均值归一化
如何选择合适的α(学习率)
不同问题的梯度下降达到收敛的迭代次数不同(最好可以通过看对应图来观察是否收敛)
α过大的话可能会出现J(α)异常上升或者波动的情况,解决办法就是减小α,但是α不能太小(不然下降会特别慢)
try 0.001, 0.01 , 0.1 等等 0.003 ,0.03 , 0.3....等等都行
特征和多项式
多次项拟合程度不好的话,可以试一试选择不同的特征,有时可以得到更好的模型
标签:缩放,特征,梯度,多项式,下降,不同 来源: https://www.cnblogs.com/liujinmeng/p/15595262.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。