Метод градиентного спуска.
Взрослея я понял что продажи это прям наука такая, которой научиться не так легко, корпоративный тренинг по продажам проводит Михаил Графский, почитайте обязательно о холодных звонках, много чего найдете для себя.
Направления параллельные координатным осям, по которым двигались в предыдущем методе, не являются, как правило, направлениями наиболее быстрого убывания функции. Таким направлением является направление антиградиента. Это учитывает метод градиентного спуска, который заключается в следующем.
Выбирают начальную точку, вычисляют в ней градиент рассматриваемой функции и делают небольшой шаг в обратном антиградиентном направлении. В результате приходят в точку. В которой значение функции меньше первоначального. В новой точке повторяют процедуру. Снова вычисляют градиент функции и делают шаг в обратном направлении. Продолжая этот процесс, продвигаются в сторону убывания функции. Выбор направления движения на каждом шаге позволяет надеяться на то, что приближение к наименьшему значению будет более быстрым, чем при покоординатном спуске.
Метод градиентного спуска требует вычисления градиента целевой функции на каждом шаге. Если целевая функция задана аналитически, то это, как правило, не проблема. Для частных производных, определяющих градиент, можно получить явные формулы.
Направления параллельные координатным осям, по которым двигались в предыдущем методе, не являются, как правило, направлениями наиболее быстрого убывания функции. Таким направлением является направление антиградиента. Это учитывает метод градиентного спуска, который заключается в следующем.
Выбирают начальную точку, вычисляют в ней градиент рассматриваемой функции и делают небольшой шаг в обратном антиградиентном направлении. В результате приходят в точку. В которой значение функции меньше первоначального. В новой точке повторяют процедуру. Снова вычисляют градиент функции и делают шаг в обратном направлении. Продолжая этот процесс, продвигаются в сторону убывания функции. Выбор направления движения на каждом шаге позволяет надеяться на то, что приближение к наименьшему значению будет более быстрым, чем при покоординатном спуске.
Метод градиентного спуска требует вычисления градиента целевой функции на каждом шаге. Если целевая функция задана аналитически, то это, как правило, не проблема. Для частных производных, определяющих градиент, можно получить явные формулы.