Stokastisk gradientnedstigning (SGD)
Stokastisk gradientnedstigning (SGD) är en iterativ optimeringsalgoritm av första ordningen, med rötter i den stokastiska approximation som introducerades av Robbins och Monro 1951. Den minimerar en objektivfunktion genom att uppdatera modellparametrar med hjälp av gradienten beräknad på ett enda slumpmässigt valt träningsexempel (eller en liten mini-batch) i varje steg. Det är den centrala optimeringsmotorn bakom modern maskininlärning och djupinlärning, vilket möjliggör träning av modeller på dataset som är för stora för att rymmas i minnet.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Stochastic Gradient Descent (SGD) Optimization Algorithm. ScholarGate. https://scholargate.app/sv/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 regressionForskningsstatistik↔ compare
- Random ForestMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →