Octave 梯度算法的一些心得

认为octave - 矩阵算法的便捷性

        很多人认为Octave带来很便捷的矩阵算法,所以通常计算矩阵的时候不再用普通的点乘求和再遍历的方式,直接就是两个矩阵相乘就可以求和。殊不知常常没搞懂两个矩阵的行列数是否对应,就直接相乘,结果是错漏百出,各种调试,绞尽脑汁,都不知道出错在哪。   

        我在做machina learning第六章的作业----machina-learning-ex1使用Octave计算梯度算法的时候就吃过亏:我想一步到位直接就用训练集和相关参数的矩阵运算就能得出最优解,然而终不可得。后来当我拿出草稿纸,一步一步,循序渐进地写出梯度算法的细化的每个步骤的时候,又可以得出个正确答案,虽然没有达到牛人那种简洁而又一句到位的写法,但是想起以前学习太极拳的老师傅的一句话:基础要慢慢打好,不要想着一步就想把高深的拳术学习到位;就算让一个新人马上学习到怎么打好太极拳,他的基础也是很薄弱的,站桩都站不稳,别人一推就倒。学习算法也是这样,当有两条路给你选择,一条是捷径带有风险,另一条是崎岖难行,走的路比较长,但是一定能到达终点,那你一定要选择难走的那一条。百分之200的人会选择容易走的那一条,当他们遇到危险挫折的时候,由于潜意识决定他们宁愿走容易走的路,所以他们会避开绕开崎岖,从而不能体会到解决困难的过程,甚至缺乏相关的经验。所以对于新人来说,一定要时时刻刻保持良好的思维习惯,多选择走正确的路,choose the right way , but not the easy one.以后的路都会好走很多。

        话不多说,先看公式:

Gradient Descent算法求theta最优解


hypothesis公式

        第一章其实已经讲过梯度算法求解theta最优解和h(θ)的公式,我把这个公式在草稿纸一画——这不正是两矩阵相乘得出的结果吗?后来我就把X * theta - y先写上去,然后到了Xj(i)这一步,想来想去不知道怎么写,因为X * theta - y得出的结果是100行1列的矩阵,而X是取j列向量相乘的,后面还要求和乘以a/m,theta还要减去他们的和,要知道theta是3行1列的向量,怎么减去一百行1列的矩阵,感觉不对啊,昨晚想了一个晚上。最后还是先睡觉。

【深入浅出,从丑陋的写法开始】

        今天早上想到一个办法,就从最容易理解的for循环多重循环入手,不要想着一步到位,虽然这是一个很丑的写法,但是this is the right way,对于新人的我,可以深入浅出地理解梯度算法的过程,又可以得出正确答案,这不是一举两得吗?

1. for循环梯度算法(i,j)

首先我们知道for循环是先对


Part 1

以i为参数求和,(j暂时等于1先不管它)

先结合上面的h(θ)公式做个转换 Σ(θ1x(i,1)+θ1x(i,1)-y(i)) * x(i,j) 

再拆解

i = 1  ,    ((θ1*x(1,1)+θ1*x(1,1)) - y1) * x(1,1)

i = 2  ,    ((θ1*x(2,1)+θ1*x(2,1)) - y2) * x(2,1)

i = 3  ,    ((θ1*x(3,1)+θ1*x(3,1)) - y3) * x(3,1)

...

这不就是可以理解为x的第i行于θ向量相乘,再减去y的第i个,再诚意x的第i行,第j个

Octave写法为    (X(i,:) * theta - y(i)) * X(i,j);

然后就是加个for循环, 用sumTemp作为求和的临时变量

sumTemp = 0;

for i = 1:m,

sumTemp = sumTemp + (X(i,:) * theta - y(i)) * X(i,j);  %theta is column vector

end;

theta公式的右半部分的delta好解决:

deltaTemp = sumTemp * a/m

然后就是theta(j) = theta(j) - deltaTemp;

外面再嵌套一个For循环to j 整个代码就是:

for j = 1:size(theta),

 sumTemp = 0;

 for i = 1:m,

  sumTemp = sumTemp + (X(i,:) * theta - y(i)) * X(i,j);  %theta is column vector

 end;

 deltaTemp = sumTemp * alpha / m

 theta(j) = theta(j) - deltaTemp;

end;

2.for循环(i)

再看看我们上面的代码有什么可以再优化的地方,

对于(X(i,:) * theta - y(i))各i行求和,其实就是

X的逐个行和theta相乘,X是百行三列,theta,三行1列,得出来回是一个百行1列的数据,正好y得百行一列可以相减,得出一个新的列向量,与X(:,j)的百行一列相点乘

(X * theta - y ) .* X(:,j)

再求和就是一个值,再得出delta

delta =(a/m) * sum((X * theta - y ) .* X(:,j))

然后

theta(j) = theta(j) - delta

跑一下Octave验证一下(你不想Octave不断打印delta最后句末加个;)

% ====================== For loop to j ======================

 for j = 1:size(theta),

 deltaTemp = (alpha/m) * sum((X * theta - y ) .* X(:,j));

 theta(j) = theta(j) - deltaTemp;

 end;

3.去掉所有for循环

再看看有什么可以改进的

theta是一个3行1列向量,deltaTemp也可以做成一个三行1列的向量,

deltaTemp(j) =  (alpha/m) * sum((X * theta - y ) .* X(:,j));

((X * theta - y ) 它就是一个百行一列,跟X逐个逐个列相乘,会得出百行三列的数据,此时对这个百行三列分别列求和,就可以得出一个新的一行三列矩阵,

再分别被theta减去。那么可以

((alpha / m) * sum((X * theta - y) .* X))'

最后

theta = theta - ((alpha / m) * sum((X * theta - y) .* X))';

(sum()方法对所有矩阵来说,都只对各列元素分别求和,并不是所有元素求和)

        总结:我分别用了三个方法,深入浅出,最终才能得出真正的一步到位,希望以后的学习过程中再难也能够choose the right way, not the easy way.

P.S. : sum求和是对各列分别求和哦;另外如果不想频繁打印,记得要再代码后加;分号,如果是没有,Octave会默认时刻输出数据。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,717评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,501评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,311评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,417评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,500评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,538评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,557评论 3 414
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,310评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,759评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,065评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,233评论 1 343
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,909评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,548评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,172评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,420评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,103评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,098评论 2 352

推荐阅读更多精彩内容