机器学习笔记(二)L1,L2正则化

2.正则化

2.1 什么是正则化?

这里写图片描述

(截自李航《统计学习方法》)

常用的正则项有L1,L2等,这里只介绍这两种。

2.2 L1正则项

L1正则,又称lasso,其公式为:

L1=αkj=1|θj|

特点:约束θj的大小,并且可以产生稀疏性

[问题] : 为什么L1正则可以产生稀疏性?

  1. 从图形上理解,L1正则的实质,相当于约束了θ的绝对值之和的大小。将这个约束条件,转化到解空间中,就是一个有角图形。对于这个有角图形,当我们求解时,会有更大几率去接触到角。而角就代表着,坐标轴上的交点,有的模型参数为0,也就是模型参数对于的这个特征被淘汰。
    这里写图片描述

  2. 从贝叶斯的角度看,

    θ=argmax(p(θ|D))=argmax(p(D|θ)p(θ)p(D))=argmax(p(D|θ)p(θ))

    p(D|θ)=mn=1p(Dn|θ) p(θ)=ci=1dj=1p(θij)

    对p(D|θ)p(θ)取对数得:

    θ=argmax(mn=1ln(p(D|θ))+ln(p(θ))

    假设θij满足laplace分布, 则 p(θij)=12b

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值