正如评论中提到的，如果问题是什么时候使用坐标下降而不是随机梯度下降有意义，那么坐标下降的一个优点是，它一次只更新一个参数。因此，当数据具有非常多的特征时，使用坐标下降而不是随机梯度下降可能更有意义，因为 SGD 将尝试同时更新所有模型参数。此外，对于大量数据，CD 的计算复杂度可能低于 SGD。此外，当函数不可微时，使用坐标下降进行优化是有意义的。虽然，有一些方法可以将不可微函数转换为可微函数，但坐标下降仍然可能是前进的方法之一。例如，坐标下降是一种用 L1 惩罚优化损失的好方法。它被认为是 Lasso 回归和线性 SVM 的最先进技术。