批量梯度下降法BGD
Github
批量梯度下降法（Batch Gradient Descent，简称BGD）是梯度下降法最原始的形式，它的具体思路是在更新每一参数时都使用所有的样本来进行更新，其数学形式如下：
- 对上述的能量函数求偏导：
- 由于是最小化风险函数，所以按照每个参数θ的梯度负方向来更新每个θ：
具体的伪代码形式为:
从上面公式可以注意到，它得到的是一个全局最优解，但是每迭代一步，都要用到训练集所有的数据，如果样本数目m很大，那么可想而知这种方法的迭代速度！所以，这就引入了另外一种方法，随机梯度下降。
优点：全局最优解；易于并行实现；
缺点：当样本数目很多时，训练过程会很慢。
从迭代的次数上来看，BGD迭代的次数相对较少。其迭代的收敛曲线示意图可以表示如下：
image
文章引用于 https://www.cnblogs.com/maybe2030/p/5089753.html
编辑 Lornatang
校准 Lornatang
