1.加入惩罚因子
(1)多项式的例子
比如加1000θ3^2…
那么为了使得下面这个加入惩罚项的式子min,就会尽量使得θ3.θ4趋近于0,这就相当于由拟合的右图的式子高次幂,变成了拟合为二次式。
(2)housing 例子
一般来说,θ取尽量小的值,会使得假设函数更加简单,也会更易避免过拟合。
上图举的例子多项式例子不同,我们并不知道θ1—θn谁是高阶项,谁是相关度较低的,也就不知道该选出哪些参数来缩小他们的值。
因此我们只能修改代价函数,来缩小所有的θ,加入了θ的正则项。这一项的作用是缩小每个参数
一般来说,只对θ1—θn加正则项,θo不加。(约定俗成,即使加上θo也没关系)
λ:正则化参数
λ的作用:控制两个不同目标之间的取舍,控制两个目标的平衡关系
目标1:通过训练更好的拟合数据
目标2:保持参数尽可能的小
λ太大:对于θ的惩罚程度太大,这个θ的值接近于0,相当于忽略了假设函数的所有项,最后只剩下一个θo,相当于用了个横线拟合数据,欠拟合。