1.1 梯度下降
梯度下降，全称Grandient Descent，简称GD。
梯度下降是一种非常通用的优化算法，能够为大范围的问题找到最优解。梯度下降的中心思想就是迭代地调整参数，从而使成本函数最小化。
首先，初始化一个随机的θ值（可设θ=0），然后逐步改进，每次踏出一步，就尝试降低一点成本函数，直到算法收敛出一个最小值，见下图所示。
梯度下降中一个重要的参数是每一步的步长，取决于超参数学习率。如果学习率太低，算法需要经过大量迭代才能收敛，这将消耗很长时间；如果学习率太高，可能会直接跳过最小值，会导致算法发散，值越来越大，达不到实际的优化效果。
梯度下降会有陷阱。如下图所示，左边训练集上特征θ1和特征θ2具有相同的数值规模，收敛的就比较快；右边训练集上特征θ1的值就比特征θ2要小得多，先是沿着全局最小值方向近乎垂直方向前进，接下来一段是平坦的长长的山谷，会抵达最小值，但需要花费很长时间。
应用梯度下降或梯度上升时，需要保证所有特征值的大小比例都差不多（比如使用scikit-learn中的StandardScaler类），量纲不同时需要标准化处理，否则收敛的时间会非常久。
梯度下降步长
：步长，求最小值
：学习率
：成本函数的偏导数
1.1.1 批量梯度下降
批量梯度下降，全称Batch Grandient Descent，简称BGD。
批量梯度下降每一步都使用整批训练集数据，面对非常庞大的训练集时，算法会变得极慢。
要找合适的学习率，可以使用网格搜索，但是需要限制迭代次数。如果设置太低，算法可能在离最优解还很远时就停了；如果设置得太高，模型达到最优解后，继续迭代参数不再变化，又会浪费时间。一个简单的办法是，在开始时设置一个非常大的迭代次数，但是当梯度向量的值变得很微小时中断算法-也就是它的范数变得低于ε（称为容差）时，这时梯度下降几乎达到了最小值。
1.1.2 随机梯度下降
随机梯度下降，全称Stochastic Grandient Descent，简称SGD。
随机梯度下降在每一步训练集中随机选择一个实例，基于单个实例来计算梯度。这种算法的速度会快很多，但最终结果不一定是最小值。它可以逃出局部最优，但缺点是定位不出最小值。要解决这个困境，有一个办法是逐步降低学习率。开始的步长比较大（有助于快速进展和逃离局部最小值），然后越来越小，让算法尽量靠近全局最小值。这个过程叫做模拟退火。
1.1.3 小批量梯度下降
小批量梯度下降，全称Mini-Batch Grandient Descent，简称MBGD。
小批量梯度下降是基于一小部分的随机实例集来计算梯度。
1.1.4 算法比较
|
算法 |
数据集m很大 |
是否支持核外 |
特征数量n很大 |
超参数 |
是否需要缩放 |
scikit-learn |
|
标准方程 |
快 |
否 |
慢 |
0 |
否 |
LinearRegression |
|
BGD |
慢 |
否 |
快 |
2 |
是 |
n/a |
|
SGD |
快 |
是 |
快 |
>=2 |
是 |
SGDRegressor |
|
MBGD |
快 |
是 |
快 |
>=2 |
是 |
n/a |