我還沒理解太透，所以目前我整理的部分主要分為： ①最大間隔分類器，其中包括優化目標的一步步推導，還有關 ...

共軛梯度法關鍵是要找正交向量尋找方向，去不斷逼近解。 其本質是最小二乘解的思想 最小二乘解 其中A系數矩陣是確定的，Ax是永遠都取不到向量 b的，取得到那就是不用最小二乘解 我要求AX和b最小的距離，就是要求b在Ax上的投影，向量b-AX一定是要垂直於AX ...

的也許就是今天、此刻的限量版。所以不用為什么遠大目的而奔忙，即刻享受當下吧。 今天學習另一種分 ...

1. 梯度 　　在微積分里面，對多元函數的參數求∂偏導數，把求得的各個參數的偏導數以向量的形式寫出來，就是梯度。比如函數f(x,y), 分別對x,y求偏導數，求得的梯度向量就是(∂f/∂x, ∂f/∂y)T,簡稱grad f(x,y)或者▽f(x,y)。對於在點(x0,y0)的具體梯度向量 ...

(1)梯度下降法 在迭代問題中，每一次更新w的值，更新的增量為ηv，其中η表示的是步長，v表示的是方向 要尋找目標函數曲線的波谷，采用貪心法：想象一個小人站在半山腰，他朝哪個方向跨一步，可以使他距離谷底更近（位置更低），就朝這個方向前進。這個方向可以通過微分得到。選擇足夠小的一段曲線 ...

梯度下降法存在的問題 　　梯度下降法的基本思想是函數沿着其梯度方向增加最快，反之，沿着其梯度反方向減小最快。在前面的線性回歸和邏輯回歸中，都采用了梯度下降法來求解。梯度下降的迭代公式為： \(\begin{aligned} \theta_j=\theta_j-\alpha\frac ...

關於機器學習的方法，大多算法都用到了最優化求最優解問題。梯度下降法（gradient descent)是求解無約束最優化問題的一種最常用的方法。它是一種最簡單，歷史悠長的算法，但是它應用非常廣。下面主要在淺易的理解： 一、梯度下降的初步認識 先理解下什么是梯度，用通俗的話來說就是在原變量 ...