(轉自http://blog.csdn.net/njucp/article/details/50488869)
“牛頓下降法和梯度下降法在機器學習和自適應濾波中的都很重要,本質上是爲了尋找極值點的位置。但是收斂的速度不同。 本文中就兩種方法來探究一下,哪種收斂方法速度快“
牛頓下降法的遞推公式:
梯度下降算法的遞推公式:
解釋一
下圖是兩種方法的圖示表示,紅色爲牛頓下降法,綠色爲梯度下降法,從圖中直觀的感覺是,紅色線短,下降速度快。因爲牛頓下降法是用二次曲面去擬合當前的局部曲面,而梯度下降法是用平面去擬合當前的局部曲面,一般用二次曲面擬合的更好,所以一般牛頓算法收斂快。
關於以上的說法中,梯度下降法是用平面去擬合當前的局部曲面。梯度 f’(x)的方向是函數變大的方向。這裏需要解釋一下,對於一維情況而言,梯度方向只有正方向和負方向。至於爲什麼梯度下降算法就是用平面去擬合了,大多數情況下,沒有講的詳細。接下來就聊一下爲什麼。
首先考慮一下這個公式,這是一階泰勒展式,其實就是用平面去擬合函數的局部曲面。
我們的目的是使得左邊的值變小,那是不是應該使得下面的式子變爲負值。
這樣不就會使得左邊的式子變小嗎。
但是如何使得上式一定爲負值,簡單的方法就是:
這樣上式就變爲
現在滿足使得下式變小了
但是不要忘了以上所有的一切只有在局部成立,也就是說在小範圍才成立,那麼下式就有很能太大
所以加個小的修正的因子,上式就變爲:
最終得到公式:
這就是爲什麼說梯度下降算法是用平面擬合函數的局部曲面。
至於說牛頓下降法是用二次曲面去擬合當前的局部曲面,首先考慮一下下式:
同樣我們希望左式最小,那麼將左式看成是△x的函數,當取合適的△x值時,左邊的式子達到極小值,此時導數爲0。因此對上式進行求導數,得到一下公式:
此時可得到公式:
所以說牛頓下降法是用二次曲面來擬合函數的局部曲面。
綜上而言,牛頓下降法利用了函數的更多的信息,能夠更好的擬合局部曲面,所以收斂的速度也會加快。
解釋二
關於梯度下降算法,其中最重要的就是要確定步長μ,它的值嚴重的影響了梯度下降算法的表現。
接下來考慮如下公式:
和
結合兩個式子,得到:
令左邊的式子爲0,得到:
由此可見牛頓下降法是梯度下降法的最優情況,因此牛頓下降法的收斂的速度必然更快。