| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的结构安排及得出的结论 | 第14-15页 |
| 第2章 基础知识 | 第15-23页 |
| 2.1 方法介绍 | 第15-18页 |
| 2.1.1 梯度下降法 | 第15-17页 |
| 2.1.2 牛顿法 | 第17-18页 |
| 2.2 线性模型的介绍 | 第18-23页 |
| 2.2.1 线性模型的基本形式 | 第18-19页 |
| 2.2.2 线性回归 | 第19页 |
| 2.2.3 二项逻辑斯谛回归模型 | 第19-21页 |
| 2.2.4 多项逻辑斯谛回归模型 | 第21-23页 |
| 第3章 线性模型的研究 | 第23-41页 |
| 3.1 线性回归模型学习的梯度下降算法 | 第23-24页 |
| 3.1.1 线性回归(Linear Regression)基本形式 | 第23页 |
| 3.1.2 批量梯度下降法(Batch Gradient Descent，BGD) | 第23-24页 |
| 3.1.3 随机梯度下降法(StochasticGradientDescent,SGD) | 第24页 |
| 3.2 算例分析 | 第24-32页 |
| 3.2.1 梯度下降法训练的线性回归模型 | 第24-30页 |
| 3.2.2 批量梯度下降法与随机梯度下降法的收敛速度对比分析 | 第30-32页 |
| 3.3 逻辑斯谛回归模型学习的梯度下降算法 | 第32-35页 |
| 3.3.1 逻辑斯谛回归(LogisticRegression) | 第32-35页 |
| 3.4 算例分析 | 第35-41页 |
| 3.4.1 批量梯度下降法求解逻辑斯谛回归模型 | 第35-37页 |
| 3.4.2 逻辑斯谛回归模型学习的牛顿法 | 第37-41页 |
| 第四章 总结与展望 | 第41-42页 |
| 4.1 论文工作总结 | 第41页 |
| 4.2 下一步的工作展望 | 第41-42页 |
| 致谢 | 第42-43页 |
| 参考文献 | 第43-45页 |
| 攻读硕士学位期间发表的论文 | 第45-46页 |
| 附录 | 第46-58页 |
