大数据梯度下降逻辑回归

Question

我有一个包含大约 300000 个示例和大约 50-60 个特征的训练集，它也是一个包含大约 7 个类的多类。我有我的逻辑回归函数，它使用梯度下降找出参数的收敛性。我的梯度下降算法以矩阵形式查找参数，因为它以矩阵形式比在循环中单独和线性执行更快。 前任 ： 矩阵（P）

对于小的训练数据，它非常快并且给出正确的值，最大迭代次数约为 1000000，但是对于这么多的训练数据，它非常慢，大约 500 次迭代需要 18 分钟，但有这么多迭代梯度下降，成本仍然很高，并且无法正确预测类别。

我知道，我应该实现特征选择或特征缩放，但我不能使用提供的包。使用的语言是 R。如何在不使用任何库包的情况下实现特征选择或缩放。

Answer 1

根据link，您可以使用 Z-score 归一化或 min-max 缩放方法。两种方法都将数据缩放到 [0,1] 范围。 Z-score normalization 计算为

Min-max scaling method 计算为：