[英]In gradient descent for collaborative filtering, are x and theta update simultaneous?
我正在學習 Andrew Ng 的機器學習課程，並且正在學習第 16 章：推薦系統。 我目前看完了關於協同過濾的部分。 在其中，他談到了如何猜測參數：theta，然后用它來預測 x 並使用預測的 x 來學習更好的參數，等等。 他還說可以同時完成，並給出了梯度下降算法：
我想問一下 x 和 theta 是否同時更新。 例如，對於每次迭代：在 x 上執行一次梯度下降后，我是否使用 x 的新值重新計算平方誤差和，然后在 theta 上執行梯度下降，然后重復直到收斂。 或者我是否在 x 上執行單個梯度下降，使用相同的平方誤差和，也在 theta 上執行梯度下降
您可以同時進行一次更新。 您甚至可以使用以下公式同時更新x和 theta 來總結它：
同時更新 theta0 和 theta1 以計算 Python 中的梯度下降
[英]simultaneously update theta0 and theta1 to calculate gradient descent in python
梯度下降和成本函數 J(theta) 有什么區別？
[英]What is the difference between gradient descent and cost function J(theta)?
梯度下降不起作用，它返回 theta 值的增量並趨於無窮大
[英]gradient descent not working ,it returns increse in theta values and goes to infinity
梯度下降和正態方程為多元線性回歸給出不同的 theta 值。為什么？
[英]Gradient Descent and Normal Equation give different theta values for multivariate linear regression.Why?
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.
