主要记录一些学习过程,以后查阅也方便,来源:李宏毅机器学习课程
Early Stopping
此时提前停止的testing set是有label的data,一般是自己划分出来的Val验证集数据或类似kaggle的public set
Regularization
都是很小的值,因此每次update之前就相当于乘上一个接近1的数,比如0.99,这相当于前面越来越接近0,相当于在做weight decay。但是深度学习中正则化(Regularization)一般并没有SVM那样明显有帮助。正则化与early stopping所做的事是比较接近的,都是使参数不要离零太远。
每一次update参数时,如果w为正,就是减去一个值让参数变大。如果w是特别大的正值,对于L2正则化减去的也很大,但对于L1减去的都差不多,因此L1可能会保留很多很大的值。如果考虑很小的值比如0.1,0.001,L2下降的就会很慢,因此会保留很多很小的值,而L1减去的值都是固定的值(+1或-1),因此L1的结果比较稀疏。