因為數學不好，所以網誌成立以來一直沒有碰觸演算法相關的議題，但是隨著要分析的對象越來越複雜，可用變項指數成長，建模的時間也呈倍數縮短的情況下，還是要回到分析的根本--也就是數學模型來尋找突破的方法，所以開始認真的研讀演算法，這也是給予自己未來的目標，希望更深入的去了解常用的演算法．
不過因為數學仍然不是我的專長，所以我只能以解釋性的方式來說明對於每個算式的理解，無法太深入去推倒公式．
今天Stochastic gradient descent（簡稱SGD），Wiki上稱為梯度下降法（詳細的數學推倒課程內容可以參考Stanford ML Course，這個老師講解超級清楚！），主要是用來尋找迴歸模型的係數．當初會開始注意這個演算法，在於相較於統計上的迴歸需要一次性的將所有資料一起放入分析（又稱之為Batch Mode），SGD演算法可以單筆單筆資料放入模型中推算（又稱之為Online Mode），雖然精準度不若一次性的算法，但是卻可以即時地根據input的資料動態的調整推估model．
Batch Model和Online Model的用途以及差異其實也是和學科本身性質串在一起的．統計資料往往就是一次性的搜集然後一起分析，推算母體．但是一些物理學的資料中（SGD演算法最早提出來是在物理領域，S. Amari Natural Gradient Works Efficiently in Learning, 1988），資料（例如聲波）是不斷的發送出來的，而且還會因為環境的改變而產生變化，所以才需要這種可以動態調整的分析model．
透過回歸方程式，來看一下這種驗算法的想法以及原理（公式參考史丹佛的上課講義）：
上面一條一般的回歸方程式，下面是簡化（將常數項＊x0＝1）（這一步其實不太重要）
先不要被公式嚇到，概念很簡單．雖然長得不一樣，但是核心原理就是最小平方法--讓預測值及觀察值的差異平方最小．θ代表了迴歸係數（單一個係數），h(x(i))為在這個迴歸係數下的預測值，y(i)為觀察值．不同的迴歸係數會得到不同的h(x(i))，我們的目的就是要尋找最合適的迴歸係數，讓這整個方程式得到最小值．
講到這裡，數學底子好的朋友應該知道我們要幹嘛了，接下來就是SGD法的概念核心--尋找最小的係數．因為時間有點晚，剩下的明天再說（待續）
沒有留言:
張貼留言