Sztochasztikus gradiens leszúrás (SGD)
A sztochasztikus gradiens leszúrás (SGD) egy elsőrendű iteratív optimalizálási algoritmus, amely a Robbins és Monro által 1951-ben bevezetett sztochasztikus közelítési keretrendszeren alapul. Ez az algoritmus egy célfüggvényt minimalizál azáltal, hogy minden lépésben egy véletlenszerűen kiválasztott betanítási példányon (vagy egy kis minicsoporton) számított gradiens segítségével frissíti a modell paramétereit. Ez a modern gépi tanulás és mélytanulás alapvető optimalizálási motorja, amely lehetővé teszi a modellek betanítását olyan adathalmazokon, amelyek túl nagyok ahhoz, hogy memóriába férjenek.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/hu/machine-learning/stochastic-gradient-descent
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Logistic RegressionKutatási statisztika↔ összehasonlítás
- Véletlen erdőGépi tanulás↔ összehasonlítás
- XGBoostGépi tanulás↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →