L1和L2正则化

Mr_health

已于 2022-02-23 16:38:02 修改

阅读量1.8k

点赞数 1

分类专栏：机器学习文章标签：机器学习正则化

于 2019-07-11 21:09:30 首次发布

本文链接：https://blog.csdn.net/Mr_health/article/details/95517433

版权

机器学习专栏收录该内容

28 篇文章 2 订阅

订阅专栏

1.从梯度下降的角度理解

1.1 L1正则化-梯度下降理解

在原始的代价函数后面加上一个L1正则化项，即所有权重w的绝对值的和，乘以λ/n

同样先计算导数：

上式中sgn(w)表示w的符号。那么权重w的更新规则为：

比原始的更新规则多出了η * λ * sgn(w)/n这一项。当w为正时，更新后的w变小。当w为负时，更新后的w变大——因此他可以使部分权值w变为0，实现参数矩阵的稀疏。也就相当于减小了网络复杂度，防止过拟合。

另外，上面没有提到一个问题，当w为0时怎么办？当w等于0时，|W|是不可导的，所以我们只能按照原始的未经正则化的方法去更新w，这就相当于去掉η*λ*sgn(w)/n这一项，所以我们可以规定sgn(0)=0，这样就把w=0的情况也统一进来了。（在编程的时候，令sgn(0)=0,sgn(w>0)=1,sgn(w<0)=-1）

1.2 L2正则化-梯度下降理解

L2正则化(L2 Regularization)又称为权重衰减，是在代价函数C0后面再加上一个正则化项：

它是这样来的：所有参数w的平方的和，除以训练集的样本大小n。λ就是正则项系数，权衡正则项与C0项的比重。另外还有一个系数1/2，1/2经常会看到，主要是为了后面求导的结果方便，后面那一项求导会产生一个2，与1/2相乘刚好凑整。

L2正则化项是怎么避免overfitting的呢？我们推导一下看看，先求导：

可以发现L2正则化项对b的更新没有影响，但是对于w的更新有影响:

在不使用L2正则化时，求导结果中w前系数为1，现在w前面系数为 1−ηλ/n ，因为η、λ、n都是正的，所以 1−ηλ/n小于1，它的效果是减小w，这也就是权重衰减（weight decay）的由来。当然考虑到后面的导数项，w最终的值可能增大也可能减小。

L2正则化(L2 Regularization)之所以能够减少过拟合是因为权重越小，复杂度就越低。当有异常输入时，小的权重意味着网络输出变化不大，即不易学习到数据中的局部噪声。总而言之，规范化网络基于训练数据的主要规律，从而创建一个相对简单的模型，并且拒绝学习训练数据中的噪声（异常数据）。这样强制网络学习数据的本质规律，并把学到的规律进行更好地推广。

2.从先验概率的角度理解

从先验概率的角度理解就要从原始的线性回归说起，我们知道线性回归的公式为：

其中x表示输入的数据，表示预测值。一般线性回归的损失为最小二乘损失，就是求真实与预测的的误差，然后最小化这个误差，我们将这个误差标记为 $\LARGE \epsilon$ ，因此线性回归的公式还可以写为：

上式中表示真实值。

线性回归的一大假设是：误差 $\LARGE \epsilon$ 服从均值为0的正态分布，且多个观测数据之间互不影响，相互独立。正态分布的公式如下：

因此对于误差有：

根据决策论，就可以知道可以使似然函数最大的参数w就是最好的参数。

那么我们可以直接得到最大似然估计的最直观理解：对于一个模型，调整参数w，使得用X得到Y的概率最大，即：

max

进行变换得到：min()

具体的推导可以见文章：最大似然估计：从概率角度理解线性回归的优化目标

上面得到的公式是没有正则化条件下，直接利用极大似然估计推导出来的损失函数。

对于我们的训练数据集( $\LARGE X,Y$ )，损失函数是对数损失函数时，经验风险最小化就等价于极大似然估计。

那么如何添加正则化呢？

正则化的添加来源于最大后验估计（MAP）。最大后验估计认为参数 $\LARGE \omega$ 也是是一个随机变量，即 $\LARGE \omega$ 也具有某种分布，称为先验分布，记为 $\LARGE P(\omega)$ ，在极大似然的计算中同样要考虑乘以这个先验分布。：变为。

之后再取对数：

这个式子中就是前面不考虑先验信息的的似然函数，后面是我们的正则项。为此可以进一步引出：

在结构风险的定义中，结构风险 = 经验风险 + 正则化项。因此可以看出来，对于我们的训练数据集( $\LARGE X,Y$ )，损失函数是对数损失函数时，结构风险最小化就等价于最大后验估计。

2.1 L1正则化-先验为拉普拉斯

Laplace概率密度函数分布为：

分布的图像如下所示：

假定参数 $\LARGE \omega$ 的均值为0，推导：

2.2 L2正则化-高斯先验

假定参数 $\LARGE \omega$ 的均值为0，推导：

3. L1和L2的稀疏性分析

用梯度下降的方法，当w小于1的时候，L2正则项的惩罚效果越来越小，L1正则项惩罚效果依然很大，L1可以惩罚到0，而L2很难。
L2的求导后为一阶函数，对于大的w参数，惩罚作用大，对于小的w参数，惩罚作用小，很难惩罚到0，实际上起到了把大参数和小参数趋向于平均的作用；L1求导后为常数，无论对于大小参数，其惩罚作用一样，所以可以把小参数惩罚到0。

因此L1具有稀疏性

4.L1和L2正则化的联系与区别

（1）联系：都可以避免过拟合

（2）区别：

L1正则化是模型各个参数的绝对值之和；L2正则化是模型各个参数的平方和的开方值
L1正则化趋向于产生少量的特征，而其他的特征都是0，即产生稀疏权值矩阵，从而间接实现特征选择； L2让所有特征的系数都缩小，但是不会减为0。
L1对应拉普拉斯分布，L2对应高斯分布，L1偏向于参数稀疏性，L1不可导可以使用近似算法或者ADMM来解决
参数稀疏的优势：参数的稀疏，在一定程度上实现了特征的选择。一般而言，大部分特征对模型是没有贡献的。这些没有用的特征虽然可以减少训练集上的误差，但是对测试集的样本，反而会产生干扰。稀疏参数的引入，可以将那些无用的特征的权重置为0.