gradienttisäätö
Gradienttisäätö on optimointiperiaate, jossa parametrien arvoja säädetään seuraamalla kustannusfunktion gradienttia siten, että virhe pienenee. Sitä käytetään laajasti koneoppimisessa, tilastollisissa malleissa ja adaptiivisessa ohjauksessa, missä tavoitteena on minimoida virhe tai poikkeama mallin ja havaintojen välillä. Keskeinen malli on yksinkertainen kertalaskelma: annettu kustannusfunktio L(θ), pätevä gradientti ∇θ L(θ) ohjaa askelta kohti minimiä, ja päivitetään parametrien vektori θt+1 = θt − α ∇θ L(θt), jossa α on oppimisnopeus.
Säätö voidaan suorittaa kerralla koko datalla (batch- gradientti), tai havainnoista riippuvaisilla näytteillä (stochastic gradient descent, SGD)
Gradienttisäätöä käytetään yleisesti neural networkien, logistisen ja lineaarisen regressionin sekä muiden parametrien etsimisessä sekä mallin kalibroinnissa.
Suhteet ja laajempi konteksti: gradientti-desentti sekä sen variantit ovat keskeisiä työkaluja optimoimisessa ja koneoppimisessa, ja niiden