美文网首页
梯度下降

梯度下降

作者: greymonster | 来源:发表于2017-05-07 16:53 被阅读0次

    最近在做关于数据的一些东西,就是研究游戏在线人数的变换曲线,看了梯度下降。
      梯度下降的介绍百度一下说的都很好,我也是百度学习的 可以@refer 这篇 http://blog.csdn.net/woxincd/article/details/7040944
      我的理解就是先随意找一个点,然后求出这个点在各个方向的切线,顺着这个方向认为是下降最快的方向,然后根据步长(自己设定的一个值,这里是0.1)调节走的速度。最终找到极值。关键在于迭代,关于迭代,牛顿方法的迭代会更迅速。

    下面是我用php写的一个小demo。

    预期多元一次方程是 ax1 + bx2 = y , 给定了N组 x 和对应y的值 ,求 a b 分别是多少。
    先转换成求极值 => 误差最小。
    
    $dataset = [[1,4],[2,5],[5,1],[4,2]]; //初始的三组x(每组x包括x1 x2)
    $dataret = [19,26, 19, 20]; // 对应三组x 的y 值
    $expect  = [10, 10]; //随意找到的开始点 这里是指 预测 a = 10 b = 10
    $step  = 0.001; //步长
    $times = 1000000;
    
    /*
     *梯度下降 * 
     * @auther menmei
     * @date 2017/03/24
     *
     */
    /*
     * 梯度下降求多元一次方程的多元参数
     *
     *
     * @param 原始数据 Array
     * @param 原始数据结果 Array
     * @param 初始参数 Arrayθ
     * @param 步长 double
     * @param 循环次数 int
     *
     * @return 参数数组 Arrayθ
     *
     */
    function gradientDescent($dataset, $dataret, $expect, $step, $times){
        //check given params
        $setTotal    = count($dataset);
        $paramsTotal = count($dataset[0]);
        if($setTotal < 2 || (count($expect) != $paramsTotal) || count($dataret) != $setTotal )  return False;
        //$deviation = array_fill(0, $paramsTotal, 0);
        for($i = 0; $i < $times; $i ++){
            $h = 0;
            $index = $i % $setTotal;
            for($j = 0; $j < $paramsTotal; $j ++){
                $h += ($expect[$j] * $dataset[$index][$j]);
            }
    
            $error = $h - $dataret[$index];
            for($k = 0; $k < $paramsTotal; $k ++){
                //这里是关键 这里 $error * $dataset[$index][$k] 是J(θ) 按梯度方向减少的量
                //是对J(θ) 求偏导得到的 => 按梯度每个方向的斜率 *  步长
                $expect[$k] -= $step * $error * $dataset[$index][$k];
            }
    
            //calculate new deviation
            $deviation = 0 ;
            for($l = 0; $l < $setTotal; $l ++){
                $h = 0;
                for($m = 0; $m < $paramsTotal; $m ++){
                    $h += ($expect[$m] * $dataset[$l][$m]);
                }
                $deviation += ($h - $dataret[$l]) * ($h - $dataret[$l]);
            }
            if($deviation < 0.001) break;
        }
        echo "误差是{$deviation}";
        return $expect;
    }
    
    /***************** EXAMPLE ******************/
    //sample 1
    //这里步长设置成 0.1 就会越过最低点 然后继续向上。所以步长选择很 !重 !要 !
    $dataset = [[1,4],[2,5],[5,1],[4,2]];
    $dataret = [19,26, 19, 20];
    $expect  = [10, 10];
    $step  = 0.001;
    $times = 1000000;
    
    //sample 2
    $dataset = [[1, 1, 2], [1, 2, 3], [1, 2, 5], [1, 8, 3], [1, 4, 7]];
    $dataret = [13, 19, 27, 31, 39];
    $expect = [0, 0, 0];
    
    //sample 3
    $dataset = [[1, 2], [2, 3], [2, 5], [8, 3], [4, 7]];
    $dataret = [1, 4, 0, 34, 6];
    $expect = [0,0];
    $ret = gradientDescent($dataset, $dataret, $expect, $step, $times);
    var_dump($ret);
    

    相关文章

      网友评论

          本文标题:梯度下降

          本文链接:https://www.haomeiwen.com/subject/isoutxtx.html