原书出处
机器学习算法原理与编程实践
05 第5章 梯度寻优
一个凸函数,在最优化方法中被表示为: minf(x) 根据导数的定义,函数f(x)的导数表示为目标函数在x上的变化速率。
在多元的情况下,目标函数f(x)在某点xk 的梯度▽f(x)是由x的各个分量的偏导数构成的一个向量,其方向是f(x)增长最快的方向。显然,负梯度方向是f(x)减少最快的方向。
在梯度下降法中,如果求函数极大值时,沿着图5.7中红色箭头的方向走,可以最快达到极大点;反之,沿着蓝色箭头的方向走,则最
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00019.html
EPUB SHA-256:70d8d79af4c27e857a132f2bb0cf0dbfa14854fa17c13eacb72320d7c9bf315d