理解L1正则化和L2正则化

最新推荐文章于 2024-06-08 16:09:48 发布

麦地与诗人

最新推荐文章于 2024-06-08 16:09:48 发布

阅读量536

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/YPP0229/article/details/91984871

版权

机器学习专栏收录该内容

37 篇文章 6 订阅

订阅专栏

1. 引入正则化

在这里插入图片描述

曲线1，不能很好地拟合数据，这是高偏差（high bias）的情况，我们称为“欠拟合”（underfitting）；

而随着训练次数增多，我们设计的算法慢慢找出了数据的模式，能在尽可能多地拟合数据点的同时反映数据趋势，这时它是一个性能较好的模型。在这基础上，如果我们继续训练，那模型就会进一步挖掘训练数据中的细节和噪声，为了拟合所有数据点“不择手段”，这时它就过拟合了。

所以，曲线3，似乎完美地拟合了我们地数据，但方差较高（high variance），数据过度拟合（overfitting）；

在两者之间，可能还有一些像曲线2这样的，复杂程度适中，数据拟合适度的分类器，这个数据拟合看起来更加合理，我们称之为“适度拟合”（just right）。

从左往右看，模型的复杂度逐渐提高，在训练集上的预测错误逐渐减少，但它在测试集上的错误率却呈现一条下凸曲线。
在这里插入图片描述
引入正则化，就是为了防止过拟合。

它将系数估计（coefficient estimate）朝零的方向进行约束、调整或缩小。也就是说，正则化可以在学习过程中降低模型复杂度和不稳定程度，从而避免过拟合的危险。

为什么通过L1正则、L2正则能够防止过拟合?
解释：
　　过拟合产生的原因通常是因为参数比较大导致的，通过添加正则项，假设某个参数比较大，目标函数加上正则项后，也就会变大，因此该参数就不是最优解了。
　　问：为什么过拟合产生的原因是参数比较大导致的？
　　答：过拟合，就是拟合函数需要顾及每一个点，当存在噪声的时候，原本平滑的拟合曲线会变得波动很大。在某些很小的区间里，函数值的变化很剧烈，这就意味着函数在某些小区间里的导数值（绝对值）非常大，由于自变量值可大可小，所以只有系数足够大，才能保证导数值很大。

其做法是，在损失函数后面添加一个额外项，常用的额外项一般有两种，一般英文称作 $ℓ_1-norm$ 和 $ℓ_2-norm$ ，中文称作L1正则化和L2正则化，或者L1范数和L2范数。

L1正则化和L2正则化可以看做是损失函数的惩罚项。所谓“惩罚”是指对损失函数中的某些参数做一些限制。对于线性回归模型，使用L1正则化的模型建叫做Lasso回归，使用L2正则化的模型叫做Ridge回归（岭回归）。

很多线性回归模型正则化的文章会提到L1是通过稀疏参数（减少参数的数量）来降低复杂度，L2是通过减小参数值的大小来降低复杂度。

一般回归分析中回归 $w$ 表示特征的系数，从上式可以看到正则化项是对系数做了处理（限制）。L1正则化和L2正则化的说明如下：

L1正则化是指权值向量 $w$ 各个元素的绝对值之和，通常表示为 $∣∣w∣∣_1=\sum_i w_i$
L2正则化是指权值向量 $w$ 中各个元素的平方和然后再求平方根（可以看到Ridge回归的L2正则化项有平方符号），通常表示为 $\frac{1}{2}∣∣w∣∣_2^2$

一般都会在正则化项之前添加一个系数，Python中用 $\alpha$ 表示，一些文章也用 $\lambda$ 表示。这个系数需要用户指定。

2. 添加L1和L2正则化有什么用？

下面是L1正则化和L2正则化的作用，这些表述可以在很多文章中找到。

L1正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择
L2正则化可以防止模型过拟合（overfitting）；一定程度上，L1也可以防止过拟合

3. L1和L2正则化的直观理解

这部分内容将解释：

为什么L1正则化可以产生稀疏模型（L1是怎么让系数等于零的），以及为什么L2正则化可以防止过拟合。

3.1 L1正则化

上面提到L1正则化有助于生成一个稀疏权值矩阵，进而可以用于特征选择。

那么，为什么要生成一个稀疏矩阵？

稀疏矩阵指的是很多元素为0，只有少数元素是非零值的矩阵，即得到的线性回归模型的大部分系数都是0。

通常机器学习中特征数量很多，例如，文本处理时，如果将一个词组（term）作为一个特征，那么特征数量会达到上万个（bigram）。在预测或分类时，那么多特征显然难以选择，但是如果代入这些特征得到的模型是一个稀疏模型，表示只有少数特征对这个模型有贡献，绝大部分特征是没有贡献的，或者贡献微小（因为它们前面的系数是0或者是很小的值，即使去掉对模型也没有什么影响），此时我们就可以只关注系数是非零值的特征。这就是稀疏模型与特征选择的关系。

假设有如下带L1正则化的损失函数： $J=J_0+\alpha \sum_w|w|$
其中 $J_0$ 是原始的损失函数，加号后面的一项是L1正则化项，α是正则化系数。注意到L1正则化是权值的绝对值之和， $J$ 是带有绝对值符号的函数，因此JJ是不完全可微的。

机器学习的任务就是要通过一些方法（比如梯度下降）求出损失函数的最小值。当我们在原始损失函数 $J_0$ 后添加L1正则化项时，相当于对 $J_0$ 做了一个约束。

令 $L=α∑_w|w|$ ，则 $J=J_0+L$ ，此时我们的任务变成在 $L$ 约束下求出 $J_0$ 取最小值的解。

考虑二维的情况，即只有两个权值 $w^1$ 和 $w^2$ ，此时 $L=|w^1|+|w^2|$ ，对于梯度下降法，求解 $J_0$ 的过程可以画出等值线，同时 $L 1$ 正则化的函数 $L$ 也可以在 $w^1w^2$ 的二维平面上画出来。如下图：
在这里插入图片描述
图中等值线是 $J_0$ 的等值线，黑色方形是 $L$ 函数的图形。

在图中，当 $J_0$ 等值线与 $L$ 图形首次相交的地方就是最优解。

上图中 $J_0$ 与 $L$ 在 $L$ 的一个顶点处相交，这个顶点就是最优解。

注意到这个顶点的值是 $w^1,w^2)=(0,w)$ 。可以直观想象，因为 $L$ 函数有很多『突出的角』（二维情况下四个，多维情况下更多）， $J_0$ 与这些角接触的机率会远大于与 $L$ 其它部位接触的机率，而在这些角上，会有很多权值等于0，这就是为什么L1正则化可以产生稀疏模型，进而可以用于特征选择。

而正则化前面的系数 $α$ ，可以控制 $L$ 图形的大小。 $α$ 越小， $L$ 的图形越大（上图中的黑色方框）； $α$ 越大， $L$ 的图形就越小，可以小到黑色方框只超出原点范围一点点，这是最优点的值 $w^1,w^2)=(0,w)$ 中的 $w$ 可以取到很小的值。

L2正则化

理解1：

类似，假设有如下带L2正则化的损失函数： $J=J_0+\alpha \sum_ww^2$
同样可以画出他们在二维平面上的图形，如下：
在这里插入图片描述
二维平面下L2正则化的函数图形是个圆，与方形相比，被磨去了棱角。因此 $J_0$ 与 $L$ 相交时使得 $w^1$ 或 $w^2$ 等于零的机率小了许多，这就是为什么L2正则化不具有稀疏性的原因。

拟合过程中通常都倾向于让权值尽可能小，最后构造一个所有参数都比较小的模型。因为一般认为参数值小的模型比较简单，能适应不同的数据集，也在一定程度上避免了过拟合现象。可以设想一下对于一个线性回归方程，若参数很大，那么只要数据偏移一点点，就会对结果造成很大的影响；但如果参数足够小，数据偏移得多一点也不会对结果造成什么影响，专业一点的说法是『抗扰动能力强』。

那为什么L2正则化可以获得值很小的参数？
以线性回归中的梯度下降法为例。假设要求的参数为 $\theta$ ， $h_\theta(x)$ 是我们的假设函数。线性回归一般使用平方差损失函数。单个样本的平方差是 $(h_\theta(x) - y)^2$ ，如果考虑所有样本，损失函数是对每个样本的平方差求和，假设有 $m$ 个样本，线性回归的代价函数如下，为了后续处理方便，乘以一个常数 $\frac{1}{2m}$
$J(\theta)=\frac{1}{2m}\sum_i^m(h_{\theta}(x^{(i)})-y^{(i)})^2$
在梯度下降算法中，需要先对参数求导，得到梯度。梯度本身是上升最快的方向，为了让损失尽可能小，沿梯度的负方向更新参数即可。
对于单个样本，先对某个参数 $\theta_j$ 求导：
$\frac{\partial}{\partial \theta_j}J(\theta)=\frac{1}{m}\sum_i^m(h_{\theta}(x)-y)\frac{\partial}{\partial \theta_j}h_{\theta}(x)$
注意到 $h_\theta(x)$ 的表达式是 $h_\theta(x)=\theta_0 x_0 + \theta_1 x_1 + \dots + \theta_n x_n$ . 最终(3.1)式结果如下：
$\frac{\partial}{\partial \theta_j}J(\theta)=\frac{1}{m}\sum_i^m(h_{\theta}(x)-y)x_j$
在考虑所有样本的情况，将每个样本对 $\theta_j$ 的导数求和即可，得到下式：
$\frac{\partial}{\partial \theta_j}J(\theta)=\frac{1}{m}\sum_i^m(h_{\theta}(x^{(i)})-y^{(i)})x_j^{(i)}$
梯度下降算法中，为了尽快收敛，会沿梯度的负方向更新参数，因此在(3.3)式前添加一个负号，并乘以一个系数 $\alpha$ （即学习率），得到最终用于迭代计算参数 $\theta_j$ 的形式：
$\theta_j:=\theta_j-\alpha\frac{1}{m}\sum_i^m(h_{\theta}(x^{(i)})-y^{(i)})x_j^{(i)}$
其中 $\alpha$ 是learning rate. 上式是没有添加L2正则化项的迭代公式，如果在原始代价函数之后添加L2正则化，则迭代公式会变成下面的样子：
$\theta_j:=\theta_j(1-\alpha\frac{\lambda}{m})-\alpha\frac{1}{m}\sum_i^m(h_{\theta}(x^{(i)})-y^{(i)})x_j^{(i)}$

其中 $\lambda$ 就是正则化参数。从上式可以看到，与未添加L2正则化的迭代公式相比，每一次迭代， $\theta_j$ 都要先乘以一个小于1的因子，从而使得 $\theta_j$ 不断减小，因此总得来看， $\theta$ 是不断减小的。

最开始也提到L1正则化一定程度上也可以防止过拟合。之前做了解释，当L1的正则化系数很小时，得到的最优解会很小，可以达到和L2正则化类似的效果。

理解2：

另一个我觉得通俗易懂的理解如下：

一样的，直接在原来的损失函数基础上加上权重参数的平方和：
$L=E_{in}+\lambda \sum_j w_j^2$

其中， $E_in$ 是未包含正则化项的训练样本误差，λ 是正则化参数，可调。

我们已经知道，正则化的目的是限制参数过多或者过大，避免模型更加复杂。例如，使用多项式模型，如果使用 10 阶多项式，模型可能过于复杂，容易发生过拟合。所以，为了防止过拟合，我们可以将其高阶部分的权重 w 限制为 0，这样，就相当于从高阶的形式转换为低阶。

为了达到这一目的，最直观的方法就是限制 w 的个数，但是这类条件属于 NP-hard 问题，求解非常困难。所以，一般的做法是寻找更宽松的限定条件：

$\sum_j w_j^2<_{C}$

上式是对 w 的平方和做数值上界限定，即所有w 的平方和不超过参数 C。这时候，我们的目标就转换为：最小化训练样本误差 Ein，但是要遵循 w 平方和小于 C 的条件。

如何在限定条件下，对 Ein 进行最小化的优化,图解：

在这里插入图片描述
如上图所示，蓝色椭圆区域是最小化 $E_{in}$ 区域，红色圆圈是 w 的限定条件区域。在没有限定条件的情况下，一般使用梯度下降算法，在蓝色椭圆区域内会一直沿着 w 梯度的反方向前进，直到找到全局最优值 wlin。

例如空间中有一点 w（图中紫色点），此时 w 会沿着 $E_{in}$ 的方向移动，如图中蓝色箭头所示。

但是，由于存在限定条件，w 不能离开红色圆形区域，最多只能位于红色圆上边缘位置，沿着切线方向。w 的方向如图中红色箭头所示。

那么问题来了，存在限定条件，w 最终会在什么位置取得最优解呢？也就是说在满足限定条件的基础上，尽量让 $E_{in}$ 最小。

我们来看，w 是沿着圆的切线方向运动，如上图绿色箭头所示。运动方向与 w 的方向（红色箭头方向）垂直。

运动过程中，根据向量知识，只要 -∇Ein 与运行方向有夹角，不垂直，则表明 -∇Ein 仍会在 w 切线方向上产生分量，那么 w 就会继续运动，寻找下一步最优解。只有当 -∇Ein 与 w 的切线方向垂直时，-∇Ein在 w 的切线方向才没有分量，这时候 w 才会停止更新，到达最接近 wlin 的位置，且同时满足限定条件。

4.正则化参数的选择

4.1 $L_1$ 正则化参数

通常越大的 $\lambda$ 可以让代价函数在参数为0时取到最小值。下面是一个简单的例子，这个例子来自Quora上的问答。为了方便叙述，一些符号跟这篇帖子的符号保持一致。
假设有如下带L1正则化项的代价函数：
$F(x)=f(x)+\lambda||x||_1$
其中 $x$ 是要估计的参数，相当于上文中提到的 $w$ 以及 $\theta$ . 注意到L1正则化在某些位置是不可导的，当 $\lambda$ 足够大时可以使得) $F (x)$ 在 $x = 0$ 时取到最小值。如下图：
在这里插入图片描述
分别取 $\lambda = 0.5$ 和 $\lambda = 2$ ，可以看到越大的 $\lambda$ 越容易使 $F (x)$ 在 $x = 0$ 时取到最小值。