Objective Function: Training1 Loss + Regularization
目标函数分为Training Loss和Regularization term两项。
通常损失函数L的选择是mean square error函数:
在用于Logistic Regression时,会使用Logistic Loss:
正则项常常是用来控制模型复杂度的。用来保证bias-variance tradeoff。
bias 度量了学习算法的期望预测与真实结果的偏离程度,即刻画了学习算法本身的拟合能力;
variance度量了学习算法的期望预测与真实结果的偏离程度,即刻画了学习算法本身的拟合能力.
high bias low variance是欠拟合; low bias high variance是过拟合.
目标函数可以优化为: