Stohhastiline gradiendilange (SGD)
Stohhastiline gradiendilange (SGD) on esimest järku iteratiivne optimeerimisalgoritm, mis põhineb Robbins'i ja Monro 1951. aastal tutvustatud stohhastilise aproksimatsiooni raamistikul. See minimeerib sihtfunktsiooni, uuendades mudeliparameetreid, kasutades igal sammul juhuslikult valitud ühe treeninguandme (või väikese mini-partii) põhjal arvutatud gradienti. See on kaasaegse masinõppe ja süvaõppe peamine optimeerimismootor, mis võimaldab treenida mudeleid andmestikel, mis on liiga suured, et mahtuda mällu.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- 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
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/et/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.
- Logistiline regressioonUurimisstatistika↔ compare
- Juhuslik metsMasinõpe↔ compare
- XGBoostMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →