线性回归:梯度下降练习
使用集合让一切井井有条
根据您的偏好保存内容并对其进行分类。
在本练习中,您将重新查看“形参”练习中的燃油效率数据图表。不过,这次您将使用梯度下降法来学习线性模型的最佳权重和偏差值,以最大限度地减少损失。
完成图表下方的三项任务。
任务 1:调整图表下方的学习速率滑块,将学习速率设置为 0.03。点击开始按钮运行梯度下降法。
模型训练需要多长时间才能收敛(达到稳定的最小损失值)?模型收敛时的 MSE 值是多少?哪些权重和偏差值会产生此值?
点击加号图标即可查看我们的解决方案
当我们将学习率设置为 0.03 时,模型在大约 30 秒内收敛,实现了 2.67 的 MSE,权重和偏差值分别为 -1.14 和 20.389。这表明我们选择的学习速率值是合适的。
任务 2:点击图表下方的重置按钮,重置图表中的权重和偏差值。将学习率滑块调整为 1.10e–5 左右的值。点击开始按钮运行梯度下降法。
您注意到这次模型训练收敛所需的时间有何变化了吗?
点击加号图标即可查看解决方案
几分钟后,模型训练仍未收敛。权重和偏差值的小幅更新会继续导致损失值略有降低。这表明,选择较高的学习速率有助于梯度下降更快地找到最佳权重和偏差值。
任务 3:点击图表下方的重置按钮,重置图表中的权重和偏差值。将学习率滑块向上调整到 1。
点击开始按钮运行梯度下降法。
梯度下降运行时,损失值会发生什么变化?模型训练需要多长时间才能收敛?
点击加号图标即可查看解决方案
在高值(MSE 超过 300)时,损失值波动很大。
这表示学习速率过高,模型训练永远无法达到收敛状态。
如未另行说明,那么本页面中的内容已根据知识共享署名 4.0 许可获得了许可,并且代码示例已根据 Apache 2.0 许可获得了许可。有关详情,请参阅 Google 开发者网站政策。Java 是 Oracle 和/或其关联公司的注册商标。
最后更新时间 (UTC):2025-12-17。
[null,null,["最后更新时间 (UTC):2025-12-17。"],[],[]]