Stokastisk gradientnedstigning (SGD)
Stokastisk gradientnedstigning (SGD) er en iterativ optimeringsalgoritme av første orden, forankret i rammeverket for stokastisk approksimasjon introdusert av Robbins og Monro i 1951, som minimerer en objektivfunksjon ved å oppdatere modellparametere ved hjelp av gradienten beregnet på et enkelt tilfeldig valgt treningseksempel (eller en liten minibatch) ved hvert trinn. Det er kjernemotoren for optimalisering bak moderne maskinlæring og dyp læring, og muliggjør trening av modeller på datasett som er for store til å passe i minnet.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/no/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.
- Logistisk regresjonForskningsstatistikk↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →