斯坦福机器学习公开课4-3 4-4 特征缩放和验证梯度下降算法
2016-12-27 20:59
288 查看
4-3
当使用梯度下降算法的时候。为了是的算法更快收敛。可能需要做一些处理。
1 希望不同的特征取值在相似的范围内。比如房子特征房间数 1-5 房子大小的范围在0-2000。两者相差较大
那么对于theta1 theta2和j(theta)的等高线如图
![](https://oscdn.geek-share.com/Uploads/Images/Content/202012/10/6fae0f5baef138f4db39695f6f7964a1)
梯度下降时可能会来回扭动慢慢达到最低。因此要进行缩放。
如果都缩放到0-1之间。那么图像会变成下图
![](https://oscdn.geek-share.com/Uploads/Images/Content/202012/10/c723197c6a7e4d0e79d23b003b587386)
这样迭代的时候就就能更快迭代到最低点
通常可以按照下图来进行缩放。
![](https://oscdn.geek-share.com/Uploads/Images/Content/202012/10/e5c364f2ada5699f26449d7e625176dc)
x1= (x1-u1)/s1 s1是样本特征的最大值-最小值。而u1是样本的平均值
这样可以缩放到-0.5到0.5之间。有助于快速迭代到最低点
4-4
验证梯度下降算法最合适的就是直接查看Jmin(theta)函数。准确的算法应该是如下
![](https://oscdn.geek-share.com/Uploads/Images/Content/202012/10/211e0dbccf947d3bb626a5c9548a5060)
也就是迭代到最后开始收敛了
如果j(theta)在不断上升。说明梯度下降算法肯定错误了
![](https://oscdn.geek-share.com/Uploads/Images/Content/202012/10/b3daff46f35a08c5bb26540e3d853d50)
通常是由于学习速率alpha过大造成的
同样如果出现下面的图,也表示要使用小的学习速率alpha值
![](https://oscdn.geek-share.com/Uploads/Images/Content/202012/10/e413bcecd7a4298d1808baf3732d0722)
最好是尝试不同的alpha得到最合适的学习速率
数学上可以证明只要学习速率足够小。代价函数就会下降。但是代价就是迭代步数增多。
当使用梯度下降算法的时候。为了是的算法更快收敛。可能需要做一些处理。
1 希望不同的特征取值在相似的范围内。比如房子特征房间数 1-5 房子大小的范围在0-2000。两者相差较大
那么对于theta1 theta2和j(theta)的等高线如图
梯度下降时可能会来回扭动慢慢达到最低。因此要进行缩放。
如果都缩放到0-1之间。那么图像会变成下图
这样迭代的时候就就能更快迭代到最低点
通常可以按照下图来进行缩放。
x1= (x1-u1)/s1 s1是样本特征的最大值-最小值。而u1是样本的平均值
这样可以缩放到-0.5到0.5之间。有助于快速迭代到最低点
4-4
验证梯度下降算法最合适的就是直接查看Jmin(theta)函数。准确的算法应该是如下
也就是迭代到最后开始收敛了
如果j(theta)在不断上升。说明梯度下降算法肯定错误了
通常是由于学习速率alpha过大造成的
同样如果出现下面的图,也表示要使用小的学习速率alpha值
最好是尝试不同的alpha得到最合适的学习速率
数学上可以证明只要学习速率足够小。代价函数就会下降。但是代价就是迭代步数增多。
相关文章推荐
- 机器学习-梯度下降算法-特征缩放和学习速率选取
- 斯坦福机器学习公开课7-x过拟合欠拟合和解决方法
- 斯坦福机器学习公开课笔记(一)--单变量线性回归
- 斯坦福机器学习公开课笔记--神经网络的学习
- 斯坦福机器学习公开课7-x线性回归逻辑回归的正则化min
- 斯坦福机器学习公开课笔记(二)--多变量线性回归
- 斯坦福机器学习公开课笔记(十三)--推荐系统
- 斯坦福机器学习公开课笔记(八)--机器学习系统设计
- 斯坦福机器学习公开课学习笔记(2)—监督学习 梯度下降
- 机器学习中的特征缩放(feature scaling)浅谈
- 斯坦福机器学习公开课笔记(十五)--[应用]照片OCR技术
- 斯坦福机器学习公开课笔记(十四)--大规模机器学习
- 机器学习笔记之特征缩放
- 斯坦福机器学习公开课6-x逻辑回归
- 斯坦福机器学习公开课笔记
- ML: 斯坦福大学公开课 :机器学习课程
- 机器学习公开课~~~~mooc
- 斯坦福大学公开课 :机器学习课程学习进度备忘
- 机器学习实战之决策树(2)---选择最好的特征来划分数据集
- 斯坦福机器学习公开课学习笔记(1)—机器学习的动机与应用