Stohastiskā gradienta metode (SGD)
Stohastiskā gradienta metode (SGD) ir pirmās kārtas iteratīvs optimizācijas algoritms, kura pamatā ir Robbinsa un Monro 1951. gadā ieviestais stohastiskās aproksimācijas ietvars. Tas minimizē mērķa funkciju, atjauninot modeļa parametrus, izmantojot gradientu, kas katrā solī tiek aprēķināts vienam nejauši izvēlētam apmācības piemēram (vai nelielai mini-partijai). Tas ir galvenais optimizācijas dzinējs mūsdienu mašīnmācībā un dziļajā mācīšanās, kas ļauj apmācīt modeļus ar datu kopām, kas ir pārāk lielas, lai ietilptu atmiņā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/lv/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.
- Logistiskā regresijaPētniecības statistika↔ compare
- Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →