随机梯度下降

组件介绍

**“随机梯度下降”（Stochastic Gradient Descent）**控件使用梯度下降的随机逼近最小化目标函数，实现了随机梯度下降算法。可用于分类任务或回归任务。

随机梯度下降算法使用线性函数使所选择的损失函数最小化。该算法通过一次考虑一个样本逼近真实的梯度，并且同时基于损失函数的梯度来更新模型。该算法对于大规模和稀疏的数据集特别有效。

---

• 输入：
  • data：数据集
  • pre: 预处理方法
• 输出：
  • lrn: 在交互页面中配置参数后的SGD学习算法
  • mod: 已训练的模型（仅当输入端data存在时，才会有输出信息）

---

页面介绍

点击**“随机梯度下降”（Stochastic Gradient Descent）**控件查看参数配置页面，如下图所示：

参数选项

	选项	说明	取值范围	样例值
	模型名称	设置模型名称，用于在其他组件中区分不同的模型	非空字符串	SGD
算法	分类损失度函数	分类任务支持的损失函数	Hinge（线性 SVM） logistic Regression（逻辑回归 SGD） Modified Huber（平稳的损失，对异常值和概率估计的不敏感） Squared Hinge（Hinge 二次方） Preceptron（感知器算法使用的线性损失，二分类的线性分类模型 Squared Loss（平方损失，拟合到普通的最小二乘法） Huber（ε 以上的线性损失，需要设置 ε） Epsilon insensitive（忽略ε内的误差，ε 以上的线性损失，需要设置 ε Squared epsilon insensitive（损失超出 ε 的平方，需要设置 ε）	Hinge
	回归损失度函数	回归任务支持的损失函数	Squared Loss（平方损失，拟合到普通的最小二乘法） Huber（ε以上的线性损失，需要设置 ε） Epsilon insensitive（忽略 ε 内的误差，ε 以上的线性损失，需要设置 ε） Squared epsilon insensitive（损失超出 ε 的平方，需要设置 ε）	Squared Loss
正则化	正则化方法	正则化方法penalty	None Lasso（L1）（L1，导致稀疏） Ridge（L2）（L2，标准正规化） Elastic net（混合）
	正则化因子	乘以正则化项的常数，值越大，正则化力度越大	0.00001~1	0.01
	混合因子	l1 raio，为0时对应L2正则化，为1时对应L1正则化	0~1	0
学习参数	学习率	Constant：学习率保持不变 eta = eta0 Optimal：由 Leon Bottou 提出的启发式方法 eta = 1.0 / (alpha * (t + t0)) Inverse scaling：收益率和迭代次数成反比 eta = eta0 / pow(t, power_t)	Constant Optimal Inverse scaling	Constant
	初始学习率	学习率初始值	0.00001~1	0.01
	反向缩放指数	学习率逆放指数	0~1	0.25
	迭代次数	算法运行的最大迭代次数	1~1000000	5
	每次迭代后混洗数据	每次迭代时是否对训练数据进行混洗	勾选/不勾选	不勾选
	随机混洗的固定种子数	用于数据混洗	0~1000	1

SGDClassifier详细参数说明

SGDRegressor详细参数说明

使用案例

在下图所示的案例中，使用**“加载文件”（File）控件加载数据集，连接“随机梯度下降”（Stochastic Gradient Descent）控件构建模型，之后把“加载文件”（File）控件以及“随机梯度下降”（Stochastic Gradient Descent）控件与“预测”（Predictions）**控件连接起来查看预测的结果。

案例中加载 iris 数据集，其余参数使用默认值。案例中控件的配置以及执行结果如下图所示。