已验证65% 置信事实精确时间

梯度下降通过沿着损失函数梯度的反方向迭代调整权重使预测误差逐步收敛

3

来源数

65%

置信度

长期有效

时效性

2026/7/13

首次发现

来源

数据科学高效学习指南：结伴学习法与《Hands-On ML》实践

redditr/learnmachinelearning2026/7/11

相关事实

待验证在自回归预测中，每一步的误差会叠加到下一步，导致长程预测迅速退化81% 相似已验证几何变换后必须记录变换参数并对预测框进行逆变换对齐，忽略该步骤会导致一致性损失语义错位而损害训练效果79% 相似待验证前景理论的核心发现是损失厌恶，损失曲线的斜率远陡于同等幅度收益曲线的斜率79% 相似待验证梯度下降的收敛条件与学习率和损失函数的Lipschitz常数的关系有关77% 相似待验证梯度下降衍生出批量梯度下降、随机梯度下降和小批量梯度下降三种主要变体，Adam优化器是在动量与自适应学习率基础上的综合改进76% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/495317

API

curl https://kongchang.com/api/v1/knowledge/claims/495317

MCP

get_claim(id=495317)