Estoy tratando de escribir un código para el algoritmo de descenso de gradiente explicado en la conferencia Stanford Machine Learning (lecture 2 at around 25:00). Debajo está la implementación que usé al principio, y creo que está copiada correctamente de la conferencia, pero no converge cuando agrego números grandes (>8
) al conjunto de entrenamiento.El algoritmo de descenso de gradiente no converge
estoy introduciendo un número X
, y se añade el point (X,X)
para el conjunto de entrenamiento, por lo que en este momento, sólo estoy tratando de conseguir que convergen a y=ax+b
donde a=1=theta\[1\]
y b=0=theta\[0\]
. El conjunto de entrenamiento es el conjunto x
y y
, donde (x[i],y[i])
es un punto.
void train()
{
double delta;
for (int i = 0; i < x.size(); i++)
{
delta = y[i]-hypothesis(x[i]);
theta[1] += alpha*delta*x[i];
theta[0] += alpha*delta*1;
}
}
void C_Approx::display()
{
std::cout<<theta[1]<<"x + "<<theta[0]<<" \t "<<"f(x)="<<hypothesis(1)<<std::endl;
}
algunos de los resultados que estoy obteniendo: que introducir un número, que se ejecuta train()
un par de veces, luego display()
1
0.33616x + 0.33616 f(x)=0.67232
1
0.482408x + 0.482408 f(x)=0.964816
1
0.499381x + 0.499381 f(x)=0.998762
1
0.499993x + 0.499993 f(x)=0.999986
1
0.5x + 0.5 f(x)=1
Un ejemplo de ello divergentes después de que pasó 8
:
1
0.33616x + 0.33616 f(x)=0.67232
2
0.705508x + 0.509914 f(x)=1.21542
3
0.850024x + 0.449928 f(x)=1.29995
4
0.936062x + 0.330346 f(x)=1.26641
5
0.951346x + 0.231295 f(x)=1.18264
6
0.992876x + 0.137739 f(x)=1.13062
7
0.932206x + 0.127372 f(x)=1.05958
8
1.00077x + 0.000493063 f(x)=1.00126
9
-0.689325x + -0.0714712 f(x)=-0.760797
10
4.10321e+08x + 4.365e+07 f(x)=4.53971e+08
11
1.79968e+22x + 1.61125e+21 f(x)=1.9608e+22
12
-3.9452e+41x + -3.26957e+40 f(x)=-4.27216e+41
Probé la solución propuesta here de escalar el paso y terminé con resultados similares. ¿Qué estoy haciendo mal?
¿Cómo determinaría α en función de una muestra aleatoria? – howardh
@howardh, simplemente probando diferentes valores y eligiendo uno que converja rápidamente a un pequeño J (θ). –
Así que solo creo un nuevo conjunto de puntos de datos seleccionados aleatoriamente del conjunto de entrenamiento original, llame a train() con ese conjunto con un cierto α, y si el error no disminuye con cada paso, disminuyo α y repito? – howardh