機器學習（四）梯度下降法之特徵縮放、學習速率判斷與選擇

機器學習（四）梯度下降法之特徵縮放、學習速率判斷與選擇 前言： 由前面梯度下降法的學習可知，如果特徵要素對應的樣本數據值過大，會使得尋找最小代價函數的「路程」過於坎坷，降低算法效率。針對這種情況我們可以師兄特徵縮放方法，一定程度上解決該問題。 同時對於梯度下降法中學習速率，如果選擇不當也會造成嚴重的後果，甚至使得代價函數不能收斂。那麼解決這個問題，就需要我們在選擇學習速率的同時，實時監控選擇的學習

>>阅读原文<<