图文详解梯度下降算法的原理及Python实现图文详解梯度下降算法的原理

1.引例
2.数值解法
3.梯度下降算法
4.代码实战：Logistic回归

1.引例给定如图所示的某个函数，如何通过计算机算法编程求f(x)min？

文章图片

2.数值解法传统方法是数值解法，如图所示

文章图片

按照以下步骤迭代循环直至最优：
① 任意给定一个初值x0；
② 随机生成增量方向，结合步长生成Δx；
③ 计算比较f(x0)与f(x0+Δx)的大小，若f(x0+Δx) ④ 重复②③直至收敛到最优f(x)min。
数值解法最大的优点是编程简明，但缺陷也很明显：
① 初值的设定对结果收敛快慢影响很大；
② 增量方向随机生成，效率较低；
③ 容易陷入局部最优解；
④ 无法处理“高原”类型函数。
所谓陷入局部最优解是指当迭代进入到某个极小值或其邻域时，由于步长选择不恰当，无论正方向还是负方向，学习效果都不如当前，导致无法向全局最优迭代。就本问题而言如图所示，当迭代陷入x=xj时，由于学习步长step的限制，无法使f(xj±Step) 图文详解梯度下降算法的原理及Python实现

文章图片

若出现下图所示的“高原”函数，也可能使迭代得不到更新。
图文详解梯度下降算法的原理及Python实现

文章图片

3.梯度下降算法梯度下降算法可视为数值解法的一种改进，阐述如下：
记第k轮迭代后，自变量更新为x=xk，令目标函数f(x)在x=xk泰勒展开：
f(x)=f(xk?)+f′(xk?)(x?xk?)+o(x)
考察f(x)min ，则期望f(xk+1) f(xk+1?)?f(xk?)=f′(xk?)(xk+1??xk?)<0
若f′(xk)>0则xk+1 在工程上，学习率γ \gammaγ要结合实际应用合理选择，γ \gammaγ过大会使迭代在极小值两侧振荡，算法无法收敛；γ \gammaγ过小会使学习效率下降，算法收敛慢。
对于向量，将上述迭代公式推广为
xk+1?=xk??γ?xk??
其中
图文详解梯度下降算法的原理及Python实现

文章图片

为多元函数的梯度，故此迭代算法也称为梯度下降算法
图文详解梯度下降算法的原理及Python实现

文章图片

梯度下降算法通过函数梯度确定了每一次迭代的方向和步长，提高了算法效率。但从原理上可以知道，此算法并不能解决数值解法中初值设定、局部最优陷落和部分函数锁死的问题。

4.代码实战：Logistic回归

import pandas as pdimport numpy as npimport osimport matplotlib.pyplot as pltimport matplotlib as mplfrom Logit import Logit'''* @breif: 从CSV中加载指定数据* @param[in]: file -> 文件名* @param[in]: colName -> 要加载的列名* @param[in]: mode -> 加载模式, set: 列名与该列数据组成的字典, df: df类型* @retval: mode模式下的返回值'''def loadCsvData(file, colName, mode='df'):assert mode in ('set', 'df')df = pd.read_csv(file, encoding='utf-8-sig', usecols=colName)if mode == 'df':return dfif mode == 'set':res = {}for col in colName:res[col] = df[col].valuesreturn resif __name__ == '__main__':# ============================# 读取CSV数据# ============================csvPath = os.path.abspath(os.path.join(__file__, "../../data/dataset3.0alpha.csv"))dataX = loadCsvData(csvPath, ["含糖率", "密度"], 'df')dataY = loadCsvData(csvPath, ["好瓜"], 'df')label = np.array([1 if i == "是" else 0for i in list(map(lambda s: s.strip(), list(dataY['好瓜'])))])# ============================# 绘制样本点# ============================line_x = np.array([np.min(dataX['密度']), np.max(dataX['密度'])])mpl.rcParams['font.sans-serif'] = [u'SimHei']plt.title('对数几率回归模拟\nLogistic Regression Simulation')plt.xlabel('density')plt.ylabel('sugarRate')plt.scatter(dataX['密度'][label==0],dataX['含糖率'][label==0],marker='^',color='k',s=100,label='坏瓜')plt.scatter(dataX['密度'][label==1],dataX['含糖率'][label==1],marker='^',color='r',s=100,label='好瓜')# ============================# 实例化对数几率回归模型# ============================logit = Logit(dataX, label)# 采用梯度下降法logit.logitRegression(logit.gradientDescent)line_y = -logit.w[0, 0] / logit.w[1, 0] * line_x - logit.w[2, 0] / logit.w[1, 0]plt.plot(line_x, line_y, 'b-', label="梯度下降法")# 绘图plt.legend(loc='upper left')plt.show()