标签：自己的 pytho 一个 icm cos 代码 通过 模型 web
生活中往往有两种人：一种喜欢谋定而后动，比较有全局观；另一种见机行事，根据外界环境不断调整自己的行为。命运给他们的馈赠也是不同的，前者可能大器晚成，后者容易惊喜不断，然而可能左右摇摆。不能说两种处事态度有什么优劣：思虑过多可能错失良机，贸然行动也可能事倍功半，总之“成功”这件事一半靠命运。顾城的诗中说：命运不是风，来回吹，命运是大地，走到哪你都在命运中。而我们能做的是发挥主观能动性，从而改变条件概率（指事件A在另外一个事件B已经发生条件下的发生概率。表示为：P（A|B），读作“在B条件下A的概率”）。
之前我们学习的梯度下降法都是批梯度下降法(Batch Gradient Descent)，即当前点对于所有的样本所产生的Cost最陡的方向，而另一种随机梯度下降(Stochastic Gradient Descent)所找到的方向是当前点对于这一次所选取的样本所共同产生的Cost最陡的方向。小批量梯度下降法(Mini-batch Gradient Descent)是随机梯度方法的一种变种，用少量几个训练样本(通常是100-1000个，少是相对训练集大小而言的)一起计算梯度，更新模型参数。不能笼统的说随机梯度下降比梯度下降速度快，多数情况下，mini-batch会比sgd收敛要速度快。在训练样本多的情况下，sgd比gd的收敛速度快，一个原因是gd要通过所有样本计算梯度，而sgd通过一个样本计算一个近似的梯度，本身计算量就会小非常多。
batch gradient descent 一次更新需要计算一遍整个数据集：
stochastic gradient descent 一次更新只需计算一个数据点：
下面是随机梯度下降法的代码实现（还是鸢尾花数据集）：
对比可以发现，本例中Stochastic gradient descent 的学习速率比 Batch gradient descnent 的高很多。
下周我们学习如何在Python中实现逻辑回归算法，敬请期待：）
标签：自己的 pytho 一个 icm cos 代码 通过 模型 web
原文地址：http://www.cnblogs.com/turingbrain/p/7471986.html
