spark mllib如何实现随机梯度下降法

小编给大家分享一下spark mllib如何实现随机梯度下降法，希望大家阅读完这篇文章之后都有所收获，下面让我们一起去探讨吧！

运行代码如下

package spark.regressionAnalysis/**  * 随机梯度下降法（stochastic gradient descent，SGD）  * SGD是最速梯度下降法的变种。  * 使用最速梯度下降法，将进行N次迭代，直到目标函数收敛，或者到达某个既定的收敛界限。  * 每次迭代都将对m个样本进行计算，计算量大。  * 为了简便计算，SGD每次迭代仅对一个样本计算梯度，直到收敛。  * 随机梯度下降，即（最快速从紫金山山顶下去）  *  * Created by eric on 16-7-10.  */import scala.collection.mutable.HashMapobject SGD {  val data = HashMap[Int,Int]()        //创建数据集  def getData():HashMap[Int,Int] = {//生成数据集内容    for(i <- 1 to 50){       //创建50个数据      data += (i -> (16*i))//写入公式y=16x    }    data            //返回数据集  }  var θ:Double = 0     //第一步假设θ为0  var α:Double = 0.1   //设置步进系数，每次下降的幅度大小  def sgd(x:Double,y:Double) = {//设置迭代公式    θ = θ - α * ( (θ*x) - y)   //迭代公式  }  def main(args: Array[String]) {    val dataSource = getData()       //获取数据集    dataSource.foreach(myMap =>{//开始迭代      sgd(myMap._1,myMap._2)//输入数据    })    println("最终结果θ值为 " + θ)//显示结果  }}

结果如图

看完了这篇文章，相信你对"spark mllib如何实现随机梯度下降法"有了一定的了解，如果想了解更多相关知识，欢迎关注行业资讯频道，感谢各位的阅读！