1172.关于批量梯度下降(BatchGradientDescent),以下哪个说法是正确的?

题目解析： 题干考查的是对批量梯度下降（Batch Gradient Descent, BGD）算法基本原理的理解。 选项分析： A：它每次只使用一个样本进行参数更新 该描述对应的是随机梯度下降（Stochastic Gradient Descent, SGD），而非批量梯度下降。在SGD中，每次迭代仅使用一个训练样本来计算梯度并更新模型参数。因此该选项错误。 B：它使用全部样本进行一次参数更新 这是正确的。批量梯度下降在每一次参数更新时，都会遍历整个训练数据集，计算所有样本的损失函数的平均梯度，然后据此更新模型参数。这种方式保证了梯度方向的准确性，但计算开销较大，尤其在数据集庞大时效率较低。因此该选项正确。 C：它使用部分样本进行参数更新 该描述对应的是小批量梯度下降（Mini-batch Gradient Descent）。Mini-batch方法折中了BGD和SGD的优点，每次使用一小批样本（如32、64、128个样本）来计算梯度并更新参数。而批量梯度下降使用的是全部样本，不是部分样本。因此该选项错误。 D：它对噪声数据非常鲁棒 实际上，批量梯度下降由于使用全部样本计算梯度，对整体数据分布敏感。如果训练数据中存在大量噪声或异常值，其梯度可能会被这些噪声影响，导致收敛方向偏差。相比之下，随机梯度下降由于每次更新具有随机性，反而可能跳出局部异常点，表现出一定的抗噪能力。因此该说法不准确，该选项错误。 核心知识点讲解： 批量梯度下降（Batch Gradient Descent）是梯度下降的一种基本形式，其核心思想是在每次迭代中： 1. 使用整个训练数据集计算损失函数的梯度； 2. 沿负梯度方向更新模型参数； 3. 重复上述过程直至收敛。 优点： - 梯度方向准确，收敛稳定； - 在凸误差曲面中可收敛到全局最小值。 缺点： - 计算成本高，每轮迭代都需要遍历全部数据； - 不适用于大规模数据集或在线学习场景； - 更新频率低，训练速度慢。 总结： 正确答案为B，因为批量梯度下降在每次参数更新时使用全部训练样本计算梯度，这是其定义特征。其他选项分别对应于其他类型的梯度下降方法或具有误导性描述。