梯度下降严格说，它实际上不是机器学习算法，而是一种优化算法。目的是根据搜索最小损耗函数找到最佳解决方案。由于其简单而良好的效果，因此在机器学习算法中广泛使用。
假设在两个维空间平面上，有以下功能：
因此，我们必须找到最低点，我们可以定义一个公式：y = y-ηy'（y'是y的指南数）。当我们重复上述公式时，我们可以发现，随着点的逐渐减小，y'的值越来越小，直到找到最低点为0时的y'值，而y值将不再更改。最低点。
其中，我们称其为“学习效率”。不难找到较小的小，我们在公式上的次数越多，结果的速度就慢了。但是，η的值不能为实现了太多，否则最低点可能第一次结束，然后逐渐偏离：
梯度下降方法不仅可以应用于两个维数据，而且还适用于多维数据。当将其晋升为多维的时，如下所示：
适用于多维事务，我们可以使用以前学到的多线性回归算法来帮助我们计算结果，并将从线性性获得的公式转换为矩阵的形式，我们可以通过代码实现上述算法。
这是随机梯度下降方法的扩展（上述方法我们通常成为批处理梯度下降方法），目的是提高计算速度。由于上述方法我们需要计算所有数据，因此很多数据需要计算时间，并且通过实验，即使一个数据是随机计算的，我们仍然可以达到最低点（最后（我们可以达到最低点）（此处类似于使用精度的时间）。
好吧，这就是想法。接下来，我们可以通过Python代码实现上述算法：
原始：https：//juejin.cn/post/7096315783583809550