sklearn-1.1.12随机梯度下降

本文介绍了随机梯度下降(SGD)这一高效的线性模型拟合方法。尤其适用于大规模数据集和高维特征的情况。文中详细解释了如何使用SGDClassifier和SGDRegressor进行分类和回归任务,并举例说明不同损失函数的应用场景。

1.1.12.随机梯度下降

随机梯度下降是拟合简单线性模型中非常有效的方法。当样本的数量(以及特征的数量)非常大的时候非常有用。partial_fit只允许外核学习。

SGDClassifier和SGDRegressor类提供了不同的(凸)损失函数和惩罚值来拟合用于分类和回归的模型。例如:当loss=log时,SGDClassifer适合逻辑回归模型,而loss=hinge它就适合线性的支持向量机(SVM).

参考:

随机梯度下降

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