Stochastische Gradiëntdaling (SGD)
Stochastische Gradiëntdaling (SGD) is een iteratief optimalisatiealgoritme van de eerste orde, geworteld in het stochastische benaderingskader dat in 1951 door Robbins en Monro werd geïntroduceerd, dat een doelfunctie minimaliseert door modelparameters bij te werken met behulp van de gradiënt berekend op een enkele willekeurig geselecteerde trainingsvoorbeeld (of een kleine mini-batch) bij elke stap. Het is de kernoptimalisatiemotor achter moderne machine learning en deep learning, die de training van modellen op datasets mogelijk maakt die te groot zijn om in het geheugen te passen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/nl/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 RegressieOnderzoeksstatistiek↔ compare
- Random ForestMachine learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →