随机梯度下降分类器和回归器

随机梯度下降分类器并不是一个独立的算法，而是一系列利用随机梯度下降求解参数的算法的集合。

SGDClassifier（分类）:

from sklearn.linear_model import SGDClassifier

clf = SGDClassifier(loss="hinge", penalty="l2")

loss function（损失函数）:

可以通过 loss 参数来设置。SGDClassifier 支持以下的 loss functions（损失函数）：

1）loss="hinge"                         (soft-margin) linear Support Vector Machine （（软-间隔）线性支持向量机），

2）loss="modified_huber"          smoothed hinge loss （平滑的 hinge 损失），

3）loss="log"                             logistic regression （logistic 回归），

惩罚方法:

惩罚方法可以通过 penalty 参数来设定。 SGD 支持以下 penalties（惩罚）:

penalty="l2":                L2 norm penalty on coef_.

penalty="l1":                L1 norm penalty on coef_.

penalty="elasticnet":     Convex combination of L2 and L1（L2 型和 L1 型的凸组合）; (1 - l1_ratio) * L2 + l1_ratio * L1.

支持多分类以及样本非均衡问题

SGDRegressor

损失函数：

具体的损失函数可以通过 loss 参数设置。 SGDRegressor 支持以下的损失函数:

loss="squared_loss":            Ordinary least squares（普通最小二乘法）,

loss="huber":                      Huber loss for robust regression（Huber回归）,

loss="epsilon_insensitive":   linear Support Vector Regression（线性支持向量回归）.

使用小贴士

1、强烈建议缩放数据 ：

将输入向量 X 上的每个特征缩放到 [0,1] 或 [- 1，+1]， 或将其标准化，使其均值为 0，方差为 1。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()

scaler.fit(X_train)

假如你的 attributes （属性）有一个固有尺度（例如 word frequencies （词频）或 indicator features（指标特征））就不需要缩放。

2、最好使用 GridSearchCV 找到一个合理的 regularization term （正则化项），它的范围通常在 10.0**-np.arange(1,7)

3、经验表明，SGD 在处理约 10^6 训练样本后基本收敛。因此，对于迭代次数第一个合理的猜想是 n_iter = np.ceil(10**6 / n)，其中 n 是训练集的大小。

4、我们发现，当特征很多或 eta0 很大时， ASGD（平均随机梯度下降） 效果更好。