基于L1和L2范式的稀疏性约束最优化求解

最新推荐文章于 2024-09-22 22:00:18 发布

夕夕夕夕嘻嘻嘻嘻

最新推荐文章于 2024-09-22 22:00:18 发布

阅读量4k

点赞数 2

分类专栏：算法基础文章标签：最优化范数

本文链接：https://blog.csdn.net/Duoduo1030/article/details/53590332

版权

本文探讨基于L1和L2范式的最优化求解，主要涉及规则化函数和L0、L1、L2范式。L1范式能保持模型的稀疏性，L2范式有助于防止过拟合。文章引用了多个资源，深入浅出地解释了这些概念及其在模型训练中的应用。

摘要由CSDN通过智能技术生成

基于L1和L2范式的最优化求解

基础知识

规则化函数

《机器学习中的范数规则化之（一）L0、L1与L2范数》中谈到监督机器学习问题无非就是“minimizeyour error while regularizing your parameters”，也就是在规则化参数的同时最小化误差。最小化误差是为了让我们的模型拟合我们的训练数据，而规则化参数是防止我们的模型过分拟合我们的训练数据。