1楼：匿名用户
梯度下降本身就容易收敛于鞍点，这个是否是因为收敛于鞍点造成了效果不好
2楼：匿名用户
其实差别不是一
copy星半点的，我们首先bai来看外观上车
du身尺寸，a6l的尺寸要zhi比a4l的尺寸要大一些，dao两款车相比就差了200毫米之多，不管是长宽高，奥迪a6l都有着很大的优势。而且看上去非常的厚重沉稳。并且就舒适性而言的话，两款车虽然都已经发挥到极致，但是a4l和a6l相比之下还是有不足之处的a6l的底盘会更加结实一些，而且隔音效果明显比a4l要好的多。
内饰上不是很先进，但是新车a6l内饰可是10分的惊艳的。值得一提的是a6l的中控0有伸缩功能，而a4l的中控屏只能固定在那里不能动，所以a6l的科技感也是十足的。动力上两款车主打2.
0t的排量，但是a6l6-配置，不管是a4l还是a6l两款都带4驱系统，而且底盘调校都是挺好的，操控性很强，但是在**上a4l**在22~40万区间，a6l就在35万到75万之间。
3楼：匿名用户
下图是f(x) = x2+3x+4 的函数图像，这是初中的一元二次函数，它的导数为g(x) = f’(x) = 2x+3。我们很明确的知道，当x = -1.5时，函数取得最小值。
4楼：匿名用户
有一只小章鱼爱上了他心爱的姑娘，
于是他伸出了一只手，
又伸出了一只手，
又伸出了一只手，
又伸出了一只手……
终于用八只手紧紧抱住了他喜欢的姑娘。
机器学习 吴恩达 为什么线性回归和逻辑回归的梯度下降算法一样
5楼：萌比哟
逻辑回归：y=sigmoid(w'x)
线性回归：y=w'x
也就是逻辑回归比线性回归多了一个sigmoid函数，sigmoid(x)=1/(1+exp(-x))，其实就是对x进行归一化操作，使得sigmoid(x)位于0~1
逻辑回归通常用于二分类模型，目标函数是二类交叉熵，y的值表示属于第1类的概率，用户可以自己设置一个分类阈值。
线性回归用来拟合数据，目标函数是平法和误差
6楼：努力向前
这个是通过求导求出来的，只是两个目标函数的导数一样罢了
梯度下降算法是属于回归问题的一部分么？是所有机器学习线性回归都是梯度算法吗？
7楼：匿名用户
梯度下复
降法是一个最优化算法制，通常也称为最速下降法。最速下降法是求解无约束优化问题最简单和最古老的方法之一，虽然现在已经不具有实用性，但是许多有效算法都是以它为基础进行改进和修正而得到的。最速下降法是用负梯度方向为搜索方向的，最速下降法越接近目标值，步长越小，前进越慢。
梯度下降法(gradient descent)是一个最优化算法，通常也称为最速下降法。
常用于机器学习和人工智能当中用来递归性地逼近最小偏差模型。
顾名思义，梯度下降下法的计算过程就是沿递度下降的方向求解极小值（也可以沿递度上升方向求解极大值）。
其迭代公式为
,其中代表梯度负方向，
表示梯度方向上的搜索步长。梯度方向我们可以通过对函数求导得到，步长的确定比较麻烦，太大了的话可能会发散，太小收敛速度又太慢。一般确定步长的方法是由线性搜索算法来确定，即把下一个点的坐标ak+1看做是的函数，然后求满足f(ak+1)的最小值的 即可。
因为一般情况下，梯度向量为0的话说明是到了一个极值点，此时梯度的幅值也为0.而采用梯度下降算法进行最优化求解时，算法迭代的终止条件是梯度向量的幅值接近0即可，可以设置个非常小的常数阈值。