I.e. будет ли выход GD быть приближением к значению, установленному LS, или эти эквивалентные проблемы с одинаковым выходом? Возможно, это зависит от типа регрессии: линейного, логистического и т. Д.?Должен ли градиентный спуск давать точно такой же ответ, как метод наименьших квадратов для установки регрессии?
ответ
Прежде всего, не все регрессии являются «наименьшими квадратами», поэтому вопрос имеет смысл только для «регрессии наименьших квадратов», которая (для линейных моделей) преобразуется в линейную регрессию (и гребень/лассо, если мы добавим особые мягкие ограничения).
После того, как это исправлено, мы можем обратиться к основному вопросу - это метод на основе градиента, сходящийся к тому же решению, что и обычный метод наименьших квадратов. Я предполагаю, что под «наименьшими квадратами» вы подразумеваете решение наименьших квадратов замкнутой формы. И ответ «при некоторых предположениях, да». Эти предположения заключаются в следующем:
- ваш курс обучения достаточно мал,
- выполнения достаточно большое количество итераций,
- у вас есть бесконечная точность арифметика.
В то время как первый один относительно легко проверить (есть теоремы, дающие вам хорошие оценки, как быть не более 2/L для функций L-Липшица), остальные два совершенно произвольно - число итераций невозможно определить (однако вы можете показать связь между итерацией и ожидаемой ошибкой), а бесконечная точность ... ну ... невозможна.
Аналогичная вещь неверна для логистической регрессии, так как она даже не имеет закрытого решения формы для начала.
- 1. Инструменты для регрессии регрессионных наименьших квадратов
- 2. Градиентный спуск в линейной регрессии
- 3. Пакетный градиентный спуск для логистической регрессии
- 4. Метод наименьших квадратов регрессии дает неверный прогноз
- 5. Градиентный спуск для линейной регрессии не работает
- 6. Зависимая наименьших квадратов регрессии - Matlab или R
- 7. Почему мы используем градиентный спуск в линейной регрессии?
- 8. Почему мой градиентный спуск для регрессии в R не работает?
- 9. метод наименьших квадратов с ограничением
- 10. редкая регрессия наименьших квадратов
- 11. Рекурсивный спуск такой же префикс
- 12. Градиентный спуск в линейной регрессии идет не так
- 13. градиентный спуск сценарий MATLAB
- 14. Градиентный спуск не сходится
- 15. Градиентный спуск в Java
- 16. Как использовать метод наименьших квадратов в Matlab?
- 17. Как проверить, правильно ли сходится градиентный спуск с несколькими переменными?
- 18. Неотрицательная матричная факторизация: альтернативный метод наименьших квадратов
- 19. Как получить стандартную ошибку ограниченного наименьших квадратов регрессии в R
- 20. Почему простой градиентный спуск расходятся?
- 21. Всего наименьших квадратов регрессии без свободного члена, с R
- 22. Используя обычный метод наименьших квадратов (МНК)
- 23. R DOLS (Dynamic обычный метод наименьших квадратов) пакеты
- 24. Установка смещения в регрессии веса распада с использованием наименьших квадратов
- 25. Странный график после линейной регрессии с использованием наименьших квадратов Numpy
- 26. Градиентный спуск для линейной регрессии занимает слишком много времени, чтобы сходиться
- 27. R: Частичная регрессия наименьших квадратов
- 28. экстракт предсказанные значения частичных наименьших квадратов регрессии в R
- 29. VBA: удивительно, метод наименьших квадратов приводит
- 30. Стохастический градиентный спуск и производительность