Stokastisk gradientnedstigning (SGD)
Stokastisk gradientnedstigning (SGD) er en iterativ optimeringsalgoritme af første orden, der udspringer af det stokastiske approksimationsframework, som blev introduceret af Robbins og Monro i 1951. Den minimerer en objektivfunktion ved at opdatere modelparametre ved hjælp af gradienten beregnet på et enkelt tilfældigt udvalgt træningseksempel (eller en lille mini-batch) ved hvert trin. Den er den centrale optimeringsmotor bag moderne machine learning og deep learning, der muliggør træning af modeller på datasæt, som er for store til at passe i hukommelsen.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Robbins, H. & Monro, S. (1951). A Stochastic Approximation Method. The Annals of Mathematical Statistics, 22(3), 400–407. DOI: 10.1214/aoms/1177729586 ↗
- Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning (Ch. 8). MIT Press. ISBN: 978-0-262-03561-3
Sådan citerer du denne side
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/da/machine-learning/stochastic-gradient-descent
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →