正则项补充

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
如图所示,L2正则项约束后的解空间是圆形,而L1正则项约束的解空间是多边形。显然,多边形的解空间更容易在尖角处与等高线碰撞出稀疏解。
tips:五彩的等高线是凸优化问题中目标函数的等高线;
稀疏性,说白了就是模型的很多参数是0,相当于对模型进行了一次特征选择。
在这里插入图片描述
假如参数w是一维的向量,把w的L1范数在x-y轴里展示的结果就是上面的这幅图。
如果我们在线性回归的基础上联合使用了此两个正则,这个模型就是非常著名的ElasticNet。
由于这个模型超出了我们的大纲,不在这里细讲,但如果对这块感兴趣,可以去看一下具体的文章: https://web.stanford.edu/~hastie/Papers/B67.2%20(2005)%20301-320%20Zou%20&%20Hastie.pdf

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值