机器学习向量化计算 -- 机器学习路上必经路
Posted 计算机魔术师
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习向量化计算 -- 机器学习路上必经路相关的知识,希望对你有一定的参考价值。
👋👋欢迎来到👋👋
🎩魔术之家!!🎩该文章收录专栏
✨— 机器学习 —✨专栏内容
✨— 【机器学习】浅谈正规方程法&梯度下降 —✨
✨— 【机器学习】梯度下降之数据标准化 —✨
✨— 【机器学习】logistic分类回归算法—✨
✨— 第十届“泰迪杯“感谢学习总结—✨
【机器学习】向量化计算 ---机器学习路上必经路
一、求解矩阵
在求解矩阵中,往往有很多很好的,经过高度优化的线性代数库,如octave,matlib,python numpy, c++,java.
我们使用这些线性代数库,可以短短几行实现 所要的效果。
阅读本文内容(需要一点点线性代数的知识)
二、例一
例如 求公式:
h
(
x
)
=
∑
i
=
1
n
θ
i
∗
x
i
h(x) = \\sum_i=1^n\\theta_i*x_i
h(x)=∑i=1nθi∗xi
我们可以通过循环每一个值来求 每一个
i
i
i所对应的结果,但此时循环的时间复杂度为
O
(
n
)
O(n)
O(n) , 我们可以把
θ
i
(
i
=
1
,
2
,
3...
n
)
\\theta_i(i=1,2,3...n)
θi(i=1,2,3...n) 看为
n
n
n维的列向量,
x
i
x_i
xi作为
n
n
n维的列向量,则原公式即为求两个向量的内积
θ
T
∗
x
i
\\theta^T*x_i
θT∗xi 来求得方程,这样在numpy中仅仅需要一行代码。如下图(演示代码为octave(matlib开源版)
)
c++实现
三、例二
- 再看一个复杂一点的例子:
(对梯度下降还不了解建议先食用文章:机器学习】浅谈正规方程法&梯度下降)
在梯度下降(Gradient descent)同步更新参数
θ
i
(
i
=
1
,
2
,
3...
m
)
中
\\theta_i(i=1,2,3...m)中
θi(i=1,2,3...m)中
我们可以通过循环
i
i
i得到每个参数更新,但我们是否能用例子一的方法 简化呢,
如图:
我们将所求式子变为 向量之间的运行,
θ
=
θ
−
α
∗
δ
\\theta = \\theta - \\alpha * δ
θ=θ−α∗δ
(其中:
δ
δ
δ =
∑
x
=
1
n
(
h
θ
(
x
)
−
y
i
)
2
n
∗
x
i
\\sum_x=1^n \\frac(h_\\theta(x) - y_i)^2 n *x_i
∑x=1nn(hθ(x)−yi)2∗xi,
h
θ
(
x
)
−
y
i
h_\\theta(x) - y_i
hθ(x)−yi 是一个实数,
x
i
x_i
xi是特征维度的列向量)
此时参数 θ i \\theta_i θi也能同步更新,符合要求
四、写在最后
在面对,数据为百万级别,千万级别,或者特征为百万级别,特征级别,向量化计算对提高运算效率非常高效,比
for
循环要好用得多,这在机器学习中是非常常见的,一定要掌握
以上是关于机器学习向量化计算 -- 机器学习路上必经路的主要内容,如果未能解决你的问题,请参考以下文章