Stokastinen gradienttimenetelmä (SGD)
Stokastinen gradienttimenetelmä (SGD) on ensimmäisen kertaluvun iteratiivinen optimointialgoritmi, joka perustuu Robbinsin ja Monro'n vuonna 1951 esittelemään stokastisen approksimaation viitekehykseen. Se minimoi kohdefunktion päivittämällä mallin parametreja käyttäen gradienttia, joka lasketaan jokaisessa vaiheessa satunnaisesti valitusta yksittäisestä harjoitusesimerkistä (tai pienestä minierästä). Se on modernin koneoppimisen ja syväoppimisen ytimessä oleva optimointimoottori, joka mahdollistaa mallien harjoittamisen muistiin mahtumattoman suurilla aineistoilla.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/fi/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.
- Logistinen regressioTutkimuksen tilastomenetelmät↔ compare
- Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →