开发 | 史上最简洁易懂教程 用Excel理解梯度下降

AI科技评论按:本文作者为 Jahnavi Mahanta,前 American Express (美国运通公司)资深机器学习工程师、深度学习在线教育网站 Deeplearningtrack 联合创始人。

Jahnavi Mahanta:对算法的作用建立直觉性的理解——在我刚入门机器学习的时候,这让我觉得非常困难。不仅仅是因为理解数学理论和符号本身不容易,也因为它很无聊。我到线上教程里找办法,但里面只有公式或高级别的解释,在大多数情况下并不会深入细节。

就在那时,一名数据科学同事介绍给我一个新办法——用 Excel 表格来实现算法,该方法让我拍案叫绝。后来,不论是任何算法,我会试着小规模地在 Excel 上学习它——相信我,对于提升你对该算法的理解、完全领会它的数学美感,这个法子简直是奇迹。

案例

让我用一个例子向各位解释。

大多数数据科学算法是优化问题。而这方面最常使用的算法是梯度下降。

或许梯度下降听起来很玄,但读完这篇文章之后,你对它的感觉大概会改变。

这里用住宅价格预测问题作为例子。

现在,有了历史住宅数据,我们需要创建一个模型,给定一个新住宅的面积能预测其价格。

任务:对于一个新房子,给定面积 X,价格 Y 是多少?

让我们从绘制历史住宅数据开始。

现在,我们会用一个简单的线性模型,用一条线来匹配历史数据,根据面积 X 来预测新住宅的价格 Ypred。

上图中,红线给出了不同面积下的预测价格 Ypred。

Ypred = a+bX

蓝线是来自历史数据的实际住宅价格 Yactual。

Yactual 和 Ypred 之间的差距,即黄色虚线,是预测误差 E。

我们需要发现一条使权重 a,b 获得最优值的直线,通过降低预测误差、提高预测精度,实现对历史数据的最佳匹配。

所以,目标是找到最优 a, b,使 Yactual 和 Ypred 之间的误差 E 最小化。

误差的平方和 (SSE) = ½ a (实际价格 – 预测价格)2= ½ a(Y – Ypred)2

(AI科技评论提醒,请注意衡量误差的方法不止一种,这只是其中一个)

这时便是梯度下降登场的时候。梯度下降是一种优化算法,能找到降低预测误差的最优权重 (a,b) 。

理解梯度下降

现在,我们一步步来理解梯度下降算法:

  1. 用随机值和计算误差(SSE)初始化权重 a 和 b。
  2. 计算梯度,即当权重(a & b)从随机初始值发生小幅增减时,SSE 的变动。这帮助我们把 a & b 的值,向着最小化 SSE 的方向移动。
  3. 用梯度调整权重,达到最优值,使 SSE 最小化。
  4. 使用新权重来做预测,计算新 SSE。
  5. 重复第二、第三步,直到对权重的调整不再能有效降低误差。

我在 Excel 上进行了上述每一步,但在查看之前,我们首先要把数据标准化,因为这让优化过程更快。

第一步

用随机值的 a、b 初始化直线 Ypred = a + b X,计算预测误差 SSE。

第二步

计算不同权重的误差梯度。

∂SSE/∂a = – (Y-YP)

∂SSE/∂b = – (Y-YP)X

这里, SSE=½ (Y-YP)2 = ½(Y-(a+bX))2

你需要懂一点微积分,但没有别的要求了。

∂SSE/∂a、∂SSE/∂b 是梯度,它们基于 SSE 给出 a、b 移动的方向。

第三步

用梯度调整权重,达到最小化 SSE 的最优值

我们需要更新 a、b 的随机值,来让我们朝着最优 a、b 的方向移动。

更新规则:

  • a – ∂SSE/∂a
  • b – ∂SSE/∂b

因此:

  1. 新的 a = a – r * ∂SSE/∂a = 0.45-0.01*3.300 = 0.42
  2. 新的 b = b – r * ∂SSE/∂b= 0.75-0.01*1.545 = 0.73

这里,r 是学习率= 0.01, 是权重调整的速率。

第四步

使用新的 a、b 做预测,计算总的 SSE。

你可以看到,在新预测上 总的 SSE 从 0.677 降到了 0.553。这意味着预测精度在提升。

第五步

重复第三、第四步直到对 a、b 的调整无法有效降低误差。这时,我们已经达到了最优 a、b,以及最高的预测精度。

这便是梯度下降算法。该优化算法以及它的变种是许多机器学习算法的核心,比如深度网络甚至是深度学习。

via kdnuggets,AI科技评论编译。

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2017-04-30

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

资源 | 给卷积神经网络“修理工”的一份“说明书”

这篇文章的主要内容来自作者的自身经验和一些在线资源(如最出名的斯坦福大学的CS231n课程讲义),是关于如何调试卷积神经网络从而提升其性能的。

541
来自专栏Python疯子

python人工智能:完整的图片识别(非图片验证码),以及模型的使用

这个可以说是一个绝对的福利中的福利。一整套的AI图片识别以及模型的使用。 一直都在说人工智能,图像识别,又有几个人会呢,网上文章成山,前一段时间因工作需要,我一...

682
来自专栏https://www.cnblogs.com/L

【深度学习篇】--神经网络中的调优一,超参数调优和Early_Stopping

1、适当调整隐藏层数 对于许多问题,你可以开始只用一个隐藏层,就可以获得不错的结果,比如对于复杂的问题我们可以在隐藏层上使用足够多的神经元就行了, 很长一段时间...

1063
来自专栏机器学习算法与理论

《白话深度学习与Tensorflow》学习笔记(1)

刚入手一本《白话深度学习与Tensorflow》,哈哈,一直看深度学习很火,其实自己一知半解,都没有对这个领域进行一点系统的学习,现在准备看看这本书,开始入门。...

3598
来自专栏人工智能

如何使用Python基线预测进行时间序列预测

建立基线对于任何时间序列预测问题都是至关重要的。

55010
来自专栏计算机视觉战队

深度学习网络用于面部表情特征学习

最近看了一篇关于面部表情特征学习的文章,感觉整体框架和构思特别好,就总结了下,和大家分享。希望得到大家的支持和认可,后期大家互相讨论,互相学习!谢谢!O(∩_∩...

2999
来自专栏PPV课数据科学社区

【学习】用Excel进行回归分析

在日常数据分析工作当中,回归分析是应用十分广泛的一种数据分析方法,按照涉及自变量的多少,可分为一元回归分析和多元回归分析;按照自变量和因变量之间的关系类型,可分...

2375
来自专栏大数据智能实战

基于Tensorflow的VCTK语音识别例子测试

语音识别是深度学习早先攻克的几个领域之一。传统的基于HMM等的语音识别精度一直比较受限。但是深度学习还是给语音识别的精度带来了一个飞跃性的提高。本文在网上找了段...

2708
来自专栏杨熹的专栏

一个 tflearn 情感分析小例子

学习资料: https://www.youtube.com/watch?v=si8zZHkufRY&list=PL2-dafEMk2A7YdKv4XfKpfb...

3826
来自专栏鸿的学习笔记

Understanding Convolution in Deep Learning(一)

卷积可能是目前深度学习中最重要的概念了。卷积和卷积网络是引发深度学习去完成几乎任何机器学习任务的最前沿地概念。但是什么使卷积这么强大?它是如何工作的?在这篇博客...

451

扫码关注云+社区