作者：糖甜甜甜

经管人也可以学Python。

个人公众号： 经管人学数据分析

基本介绍

梯度下降法(gradient descent)，又名最速下降法(steepest descent)是求解无约束最优化问题最常用的方法，它是一种迭代方法，每一步主要的操作是求解目标函数的梯度向量，将当前位置的负梯度方向作为搜索方向。

梯度下降法特点：越接近目标值，步长越小，下降速度越慢。下面将通过公式来说明梯度下降法。

建立模型为拟合函数h(θ) :

接下来的目标是将该函数通过样本的拟合出来，得到最佳的函数模型。因此构建损失函数J(θ)(目的是通过求解min J(θ)，得到在最优解下的θ向量)，其中的每一项

都表示在已有的训练集上我们的拟合函数与 y之间的残差，计算其平方损失函数作为我们构建的风险函数(这里采用最小二乘法构造损失函数，在逻辑回归中也可采用最大似然估计构造损失函数从而估计参数)。

要使得最小J(θ)，则对其J(θ)求导等于零。

在处理以下步骤时，可以用批量梯度下降算法(BGD)与随机梯度下降算法(SGD)。

批量梯度下降算法(BGD)

单个特征  的迭代如下：

a为步长，如果太小，则找到函数最小值的速度就很慢，如果太大，则可能会错过最小值，而使得函数值发散。初始点不同，获得的最小值也不同，因此梯度下降求得的只是局部最小值。

多个特征的迭代如下：

Repeat until convergence{

(for every )

}

当上式收敛时则退出迭代，一开始设置一个具体参数，当前后两次迭代差值小于该参数时候结束迭代。

使用梯度下降法，越接近最小值时，下降速度越慢。计算批量梯度下降法时，计算每一个θ值都需要遍历计算所有样本，当数据量比较大时这是比较费时的计算。

随机梯度下降算法(SGD)

为解决数据量大的时批量梯度下降算法费时的困境。随机梯度下降算法，每次迭代只是考虑让该样本点的J(θ)趋向最小，而不管其他的样本点，这样算法会很快，但是收敛的过程会比较曲折，整体效果上，大多数时候它只能接近局部最优解，而无法真正达到局部最优解。该算法适合用于较大训练集的例子。

Loop{

for i=1 to m,{      (for every j) }

}

改进的随机梯度下降算法

为了避免迭代时系数出现周期性波动，同时让系数很快收敛，这里改进随机梯度下降算法。

1)在每次迭代时，调整更新步长a的值。随着迭代的进行，a越来越小，这会缓解系数的高频波动。同时为了避免a随着迭代不断减小到接近于0，约束a一定大于一个稍微大点的常数项。

2)每次迭代，改变样本的优化顺序。也就是随机选择样本来更新回归系数。这样做可以减少周期性的波动，因为样本顺序的改变，使得每次迭代不再形成周期性。

算法应用和python实现

梯度下降法可以用于在前面提到的logistic回归分类器中，主要是求解模型中的cost函数，这里用泰坦尼克数据集进行演示，并且使用python中的sklearn库进行实现，代码如下：

import pandas

from sklearn.linear_model import LinearRegression, LogisticRegression

from sklearn.model_selection import KFold, cross_val_score

import numpy as nptitanic = pandas.read_csv('E:\TitanicData\Titanic\\train.csv')

# print(titanic.describe())titanic['Age'] = titanic['Age'].fillna(titanic['Age'].mean())

# print(titanic.describe())# print(titanic['Sex'].unique())titanic.loc[titanic['Sex'] == 'male', 'Sex'] = 0titanic.loc[titanic['Sex'] == 'female', 'Sex'] = 1# print(titanic['Embarked'].unique())titanic['Embarked'] = titanic['Embarked'].fillna('S')titanic.loc[titanic['Embarked'] == 'S', 'Embarked'] = 0titanic.loc[titanic['Embarked'] == 'C', 'Embarked'] = 1titanic.loc[titanic['Embarked'] == 'Q', 'Embarked'] = 2# print(titanic.columns)predictors = ['Pclass', 'Sex', 'Age', 'SibSp', 'Parch', 'Fare', 'Embarked']

#开始线性回归预测alg = LinearRegression()X = titanic[predictors]kf = KFold(n_splits=3)prediction = []

for train, test in kf.split(X):    x_train = titanic[predictors].iloc[train, :]    y_train = titanic['Survived'].iloc[train]    x_test = titanic[predictors].iloc[test, :]    y_test = titanic['Survived'].iloc[test]    alg.fit(x_train, y_train)    test_prediction = alg.predict(x_test)    prediction.append(test_prediction)prediction = np.concatenate(prediction)prediction[prediction > 0.5] = 1prediction[prediction <>0.5] = 0accuracy_linear = sum(prediction[prediction == titanic['Survived']])/len(prediction)

#查准率#score1 = cross_val_score(alg, X, titanic['Survived'], cv=3).mean()# cross_val_score是直接将算法得到的值与y_test进行对比算scoring# 这个步骤错误，因为线性回归得到的是概率值，需要后期判别到{0,1}上，才能和原y_test的数据进行比较算accuracy，所以LinearRegression不适合做cross_val_score的estimator。print(accuracy_linear, score1)

#开始逻辑回归预测alh = LogisticRegression()score = cross_val_score(alh, X, titanic['Survived'], cv=3).mean()

#logisticregression的算法结果直接是{0,1}两值，所以可以直接进行score比较算accuracy，所以这个alh适合这个estimator。print(score)

Python爱好者社区历史文章大合集：