實驗2使用mahout完成銷售類型的回歸分析_第1頁
實驗2使用mahout完成銷售類型的回歸分析_第2頁
實驗2使用mahout完成銷售類型的回歸分析_第3頁
實驗2使用mahout完成銷售類型的回歸分析_第4頁
實驗2使用mahout完成銷售類型的回歸分析_第5頁
已閱讀5頁，還剩3頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

負責人：郝林倩01目錄使用mahout完成銷售類型的回歸分析實驗2：使用mahout完成銷售類型的回歸分析1使用mahout完成銷售類型的回歸分析通俗來說，梯度就是表示某一函數(shù)在該點處的方向?qū)?shù)沿著該方向取得較大值，即函數(shù)在當前位置的導數(shù)。梯度的定義如下：梯度：使用mahout完成銷售類型的回歸分析梯度的提出只為回答一個問題：函數(shù)在變量空間的某一點處，沿著哪一個方向有最大的變化率？梯度定義如下：函數(shù)在某一點的梯度是這樣一個向量，它的方向與取得最大方向?qū)?shù)的方向一致，而它的模為方向?qū)?shù)的最大值。這里注意三點：1）梯度是一個向量，即有方向有大??；2）梯度的方向是最大方向?qū)?shù)的方向；3）梯度的值是最大方向?qū)?shù)的值。梯度即函數(shù)在某一點最大的方向?qū)?shù)，函數(shù)沿梯度方向函數(shù)有最大的變化率。使用mahout完成銷售類型的回歸分析梯度下降是迭代法的一種,可以用于求解最小二乘問題(線性和非線性都可以)。在求解機器學習算法的模型參數(shù)，即無約束優(yōu)化問題時，梯度下降（GradientDescent）是最常采用的方法之一，另一種常用的方法是最小二乘法。在求解損失函數(shù)的最小值時，可以通過梯度下降法來一步步的迭代求解，得到最小化的損失函數(shù)和模型參數(shù)值。反過來，如果我們需要求解損失函數(shù)的最大值，這時就需要用梯度上升法來迭代了。在機器學習中，基于基本的梯度下降法發(fā)展了兩種梯度下降方法，分別為隨機梯度下降法和批量梯度下降法。梯度下降法：使用mahout完成銷售類型的回歸分析1.程序代碼：在新創(chuàng)建的

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論