Stochastischer Gradientenabstieg (SGD)
Stochastischer Gradientenabstieg (SGD) ist ein iterativer Optimierungsalgorithmus erster Ordnung, der auf dem von Robbins und Monro 1951 eingeführten Rahmen der stochastischen Approximation basiert und eine Zielfunktion minimiert, indem er die Modellparameter mithilfe des Gradienten aktualisiert, der bei jedem Schritt auf einem zufällig ausgewählten Trainingsbeispiel (oder einem kleinen Mini-Batch) berechnet wird. Er ist die zentrale Optimierungsmaschine hinter modernem maschinellem Lernen und Deep Learning und ermöglicht das Training von Modellen auf Datensätzen, die zu groß sind, um in den Speicher zu passen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/de/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.
- Logistische RegressionForschungsstatistik↔ compare
- Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →