机器学习中正则化项L1和L2的直观理解

正则化(Regularization)

机器学习中几乎都可以看到损失函数后面会添加一个额外项,常用的额外项一般有两种,一般英文称作 ℓ 1 \ell_1 1-norm ℓ 2 \ell_2 2-norm,中文称作 L1正则化L2正则化,或者 L1范数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)。下图是Python中Lasso回归的损失函数,式中加号后面一项 α ∣ ∣ w ∣ ∣ 1 \alpha||w||_1 αw1即为L1正则化项。

lasso regression

下图是Python中Ridge回归的损失函数,式中加号后面一项 α ∣ ∣ w ∣ ∣ 2 2 \alpha||w||_2^2 αw22即为L2正则化项。

ridge regression

一般回归分析中 w w 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 w w中各个元素的绝对值之和,通常表示为 ∣ ∣ w ∣ ∣ 1 ||w||_1 w1
  • L2正则化是指权值向量 w w 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 ∣ ∣ w ∣ ∣ 2 ||w||_2 w2

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

那添加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

稀疏模型与特征选择的关系

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。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。

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

正则化和特征选择的关系

假设有如下带L1正则化的损失函数:
J = J 0 + α ∑ w ∣ w ∣ (1) J = J_0 + \alpha \sum_w{|w|} \tag{1} J=J0+αww(1)
其中 J 0 J_0 J0是原始的损失函数,加号后面的一项是L1正则化项, α \alpha α是正则化系数。注意到L1正则化是权值的绝对值之和 J J J是带有绝对值符号的函数,因此 J J J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 J_0 J0后添加L1正则化项时,相当于对 J 0 J_0 J0做了一个约束。令 L = α ∑ w ∣ w ∣ L = \alpha \sum_w{|w|} L=αww,则 J = J 0 + L J = J_0 + L J=J0+L,此时我们的任务变成 L L L约束下求出 J 0 J_0 J0取最小值的解考虑二维的情况,即只有两个权值 w 1 w^1 w1 w 2 w^2 w2,此时 L = ∣ w 1 ∣ + ∣ w 2 ∣ L = |w^1|+|w^2| L=w1+w2。对于梯度下降法,求解 J 0 J_0 J0的过程可以画出等值线,同时L1正则化的函数 L L L也可以在 w 1 w 2 w^1w^2 w1w2的二维平面上画出来。如下图:

@图1 L1正则化
图1 L1正则化

图中等值线是 J 0 J_0 J0的等值线,黑色方形是 L L L函数的图形。 L = ∣ w 1 ∣ + ∣ w 2 ∣ L = |w^1|+|w^2| L=w1+w2,这个函数画出来就是一个方框(可以自己动手画一下)。

在图中,当 J 0 J_0 J0等值线与 L L L图形首次相交的地方就是最优解。上图中 J 0 J_0 J0 L L L L L 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 ) (w^1, w^2) = (0, w) (w1,w2)=(0,w)。可以直观想象,因为 L L 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 J_0 J0与这些角接触的机率会远大于与 L L L其它部位接触的机率(这是很直觉的想象,突出的角比直线的边离等值线更近写),而在这些角上,会有很多权值等于0(因为角就在坐标轴上),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 \alpha α,可以控制 L L L图形的大小。 α \alpha α越小, L L L的图形越大(上图中的黑色方框); α \alpha α越大, L L 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 ) (w1,w2)=(0,w) (w1,w2)=(0,w)中的 w w w可以取到很小的值。

类似地,假设有如下带L2正则化的损失函数:

J = J 0 + α ∑ w w 2 (2) J = J_0 + \alpha \sum_w{w^2} \tag{2} J=J0+αww2(2)

同样可以画出他们在二维平面上的图形,如下:

@图2 L2正则化
图2 L2正则化

二维平面下L2正则化的函数图形是个圆(绝对值的平方和,是个圆),与方形相比,被磨去了棱角。因此 J 0 J_0 J0 L L L相交时使得 w 1 w^1 w1 w 2 w^2 w2等于零的机率小了许多(这个也是一个很直观的想象),这就是为什么L2正则化不具有稀疏性的原因,因为不太可能出现多数 w w w都为0的情况。

为什么梯度下降的等值线与正则化函数第一次交点是最优解?

评论中有人问到过这个问题,这是带约束的最优化问题。这应该是在大一的高等数学就学到知识点,因为这里要用到拉格朗日乘子。如果有这样的问题,就需要复习一下高等数学了。这里有一个比较详细的数学讲解,可以参考:带约束的最优化问题

L2正则化和过拟合的关系

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,使用Andrew Ng机器学习的参数表示方法。假设要求解的参数为 θ \theta θ h θ ( x ) h_\theta(x) hθ(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 θ ( x ) − y ) 2 (h_\theta(x) - y)^2 (hθ(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 m 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 1 2 m \frac{1}{2m} 2m1

J ( θ ) = 1 2 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) 2 (3) J(\theta) = \frac{1}{2m}\sum_{i=1}^{m}(h_\theta(x^{(i)}) - y^{(i)})^2 \tag{3} J(θ)=2m1i=1m(hθ(x(i))y(i))2(3)

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 θ j \theta_j θj求导:

∂ ∂ θ j J ( θ ) = 1 m ( h θ ( x ) − y ) ∂ ∂ θ j h θ ( x ) (3.1) \frac{\partial}{\partial \theta_j} J(\theta) = \frac{1}{m} (h_\theta(x) - y) \frac{\partial}{\partial \theta_j} h_\theta(x) \tag{3.1} θjJ(θ)=m1(hθ(x)y)θjhθ(x)(3.1)

注意到 h θ ( x ) h_\theta(x) hθ(x)的表达式是 h θ ( x ) = θ 0 x 0 + θ 1 x 1 + ⋯ + θ n x n h_\theta(x)=\theta_0 x_0 + \theta_1 x_1 + \dots + \theta_n x_n hθ(x)=θ0x0+θ1x1++θnxn. 单个样本对某个参数 θ j \theta_j θj求导, ∂ ∂ θ j h θ ( x ) = x j \frac{\partial}{\partial \theta_j} h_\theta(x) = x_j θjhθ(x)=xj. 最终(3.1)式结果如下:

∂ ∂ θ j J ( θ ) = 1 m ( h θ ( x ) − y ) x j (3.2) \frac{\partial}{\partial \theta_j} J(\theta) = \frac{1}{m} (h_\theta(x) - y) x_j \tag{3.2} θjJ(θ)=m1(hθ(x)y)xj(3.2)

在考虑所有样本的情况,将每个样本对 θ j \theta_j θj的导数求和即可,得到下式:

∂ ∂ θ j J ( θ ) = 1 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) x j ( i ) (3.3) \frac{\partial}{\partial \theta_j} J(\theta) = \frac{1}{m} \sum_{i=1}^m (h_\theta(x^{(i)}) - y^{(i)}) x_j^{(i)} \tag{3.3} θjJ(θ)=m1i=1m(hθ(x(i))y(i))xj(i)(3.3)

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 α \alpha α(即学习率),得到最终用于迭代计算参数 θ j \theta_j θj的形式:

θ j : = θ j − α 1 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) x j ( i ) (4) \theta_j := \theta_j - \alpha \frac{1}{m}\sum_{i=1}^{m}(h_\theta(x^{(i)}) - y^{(i)})x_j^{(i)} \tag{4} θj:=θjαm1i=1m(hθ(x(i))y(i))xj(i)(4)

其中 α \alpha α是学习率(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:
θ j : = θ j ( 1 − α λ m ) − α 1 m ∑ i = 1 m ( h θ ( x ( i ) ) − y ( i ) ) x j ( i ) (5) \theta_j := \theta_j(1-\alpha \frac{\lambda}{m}) - \alpha \frac{1}{m}\sum_{i=1}^{m}(h_\theta(x^{(i)}) - y^{(i)})x_j^{(i)} \tag{5} θj:=θj(1αmλ)αm1i=1m(hθ(x(i))y(i))xj(i)(5)

其中 λ \lambda λ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, θ j \theta_j θj都要先乘以一个小于1的因子(即 ( 1 − α λ m ) (1-\alpha \frac{\lambda}{m}) (1αmλ)),从而使得 θ j \theta_j θj不断减小,因此总的来看, θ \theta θ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。

正则化参数的选择

L1正则化参数

通常越大的 λ \lambda λ可以让代价函数在参数为0时取到最小值。因为正则化系数越大,正则化的函数图形(上文图中的方形或圆形)会向坐标轴原点收缩得越厉害,这个现象称为shrinkage,过程可以称为shrink to zero. 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 ) + λ ∣ ∣ x ∣ ∣ 1 F(x) = f(x) + \lambda ||x||_1 F(x)=f(x)+λx1

其中 x x x是要估计的参数,相当于上文中提到的 w w w以及 θ \theta θ. 这个例子中的正则化函数 L L L就是 L = λ ∣ x ∣ L=\lambda |x| L=λx。注意到L1正则化在某些位置是不可导的,当 λ \lambda λ足够大时可以使得 F ( x ) F(x) F(x) x = 0 x = 0 x=0时取到最小值。如下图:

@图3 L1正则化参数的选择
图3 L1正则化参数的选择

作为一个直观的例子,这个图的示例中,取了 f ( x ) = ( x − 1 ) 2 f(x) = (x-1)^2 f(x)=(x1)2作为损失函数,其实可以取更复杂的,但不好画图,不过原理是一样的,因为损失函数都是凸函数,很多性质是一样的。

正则化分别取 λ = 0.5 \lambda = 0.5 λ=0.5 λ = 2 \lambda = 2 λ=2,可以看到越大的 λ \lambda λ越容易使 F ( x ) F(x) F(x) x = 0 x=0 x=0时取到最小值。

此外也可以自己计算一下,当损失函数 f ( x ) f(x) f(x)和正则化函数 L = ∣ x ∣ L=|x| L=x在定义域内第一次相交的地方,就是整个代价函数 F ( x ) F(x) F(x)的最优解。

L2正则化参数

从公式5可以看到, λ \lambda λ越大, θ j \theta_j θj衰减得越快。另一个理解可以参考图2, λ \lambda λ越大,L2圆的半径越小,最后求得代价函数最值时各参数也会变得很小,同样是一个shrink to zero的过程,原理与L1正则化类似。

Reference

过拟合的解释:
https://hit-scir.gitbooks.io/neural-networks-and-deep-learning-zh_cn/content/chap3/c3s5ss2.html

正则化的解释:
https://hit-scir.gitbooks.io/neural-networks-and-deep-learning-zh_cn/content/chap3/c3s5ss1.html

正则化的解释:
http://blog.csdn.net/u012162613/article/details/44261657

正则化的数学解释(一些图来源于这里):
http://blog.csdn.net/zouxy09/article/details/24971995

已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: 大白 设计师:CSDN官方博客 返回首页