梯度下降和Normal Equation的比较

本文比较了梯度下降和Normal Equation两种优化方法,重点讨论了在Normal Equation不可逆的情况,如特征冗余和特征数量超过样本数量时的问题,并提到了解决方案,包括特征选择和正则化。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

梯度下降和Normal Equation的比较

Normal Equation是一种基础的最小二乘方法
推导:https://zhuanlan.zhihu.com/p/22757336

梯度下降Normal Equation
需要选择学习率不需要选择学习率
需要很多次迭代不需要很多次迭代
复杂度低 O ( k n 2 ) O(kn^2) O(kn2)复杂度高 O ( n 3 ) O(n^3) O(n3)
n n n很大时高效 n n n很大时低效

Normal Equation 不可逆的情况下

在Matlab/Octave中 pinvinv 公式相比较,前者会给出值即使是不可逆。不可逆的原因有两个:

  • 冗余的特征
    当两个特征特别相关(线性相关),比方说x1为平方米,x2为平方尺。
  • 过多特征(m<n)
    采取删除一些特征或者使用正则化。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值