溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下spark mllib如何實現隨機梯度下降法，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！
package spark.regressionAnalysis
/**
* 隨機梯度下降法（stochastic gradient descent，SGD）
* SGD是最速梯度下降法的變種。
* 使用最速梯度下降法，將進行N次迭代，直到目標函數收斂，或者到達某個既定的收斂界限。
* 每次迭代都將對m個樣本進行計算，計算量大。
* 為了簡便計算，SGD每次迭代僅對一個樣本計算梯度，直到收斂。
* 隨機梯度下降，即（最快速從紫金山山頂下去）
*
* Created by eric on 16-7-10.
*/
import scala.collection.mutable.HashMap
object SGD {
val data = HashMap[Int,Int]() //創建數據集
def getData():HashMap[Int,Int] = {//生成數據集內容
for(i <- 1 to 50){ //創建50個數據
data += (i -> (16*i))//寫入公式y=16x
}
data //返回數據集
}
var θ:Double = 0 //第一步假設θ為0
var α:Double = 0.1 //設置步進系數，每次下降的幅度大小
def sgd(x:Double,y:Double) = {//設置迭代公式
θ = θ - α * ( (θ*x) - y) //迭代公式
}
def main(args: Array[String]) {
val dataSource = getData() //獲取數據集
dataSource.foreach(myMap =>{//開始迭代
sgd(myMap._1,myMap._2)//輸入數據
})
println("最終結果θ值為 " + θ)//顯示結果
}
}
看完了這篇文章，相信你對“spark mllib如何實現隨機梯度下降法”有了一定的了解，如果想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
