scikit-learn 中的批量梯度下降
Batch gradient descent in scikit-learn
我们如何为sklearn.linear_model.SGDRegressor设置参数使其执行批量梯度下降？
我想使用批量梯度下降法解决线性回归问题。我需要让 SGD 像批量梯度下降一样工作，这应该（我认为）通过让它在一个纪元结束时修改模型来完成。它可以以某种方式参数化以表现得像那样吗？
I need to make SGD act like batch gradient descent, and this should be done (I think) by making it modify the model at the end of an epoch.
你不能那样做；从 documentation 可以清楚地看出：
the gradient of the loss is estimated each sample at a time and the model is updated along the way
虽然在 SGDClassifier 文档中提到
SGD allows minibatch (online/out-of-core) learning
大概也适用于SGDRegressor，实际意思是可以使用partial_fit的方式分批提供数据；然而，计算（和更新）总是按样本执行。
如果您确实需要使用 GD 执行线性回归，您可以在 Keras 或 Tensorflow 中轻松完成，组装 LR 模型并使用等于整个训练样本的批量大小。
我们如何为sklearn.linear_model.SGDRegressor设置参数使其执行批量梯度下降？
我想使用批量梯度下降法解决线性回归问题。我需要让 SGD 像批量梯度下降一样工作，这应该（我认为）通过让它在一个纪元结束时修改模型来完成。它可以以某种方式参数化以表现得像那样吗？
I need to make SGD act like batch gradient descent, and this should be done (I think) by making it modify the model at the end of an epoch.
你不能那样做；从 documentation 可以清楚地看出：
the gradient of the loss is estimated each sample at a time and the model is updated along the way
虽然在 SGDClassifier 文档中提到
SGD allows minibatch (online/out-of-core) learning
大概也适用于SGDRegressor，实际意思是可以使用partial_fit的方式分批提供数据；然而，计算（和更新）总是按样本执行。
如果您确实需要使用 GD 执行线性回归，您可以在 Keras 或 Tensorflow 中轻松完成，组装 LR 模型并使用等于整个训练样本的批量大小。