机器学习中正则化项L1和L2的直观理解

版权声明:本作品采用知识共享 署名-非商业性使用 3.0 中国大陆 许可协议进行许可。 https://blog.csdn.net/jinping_shi/article/details/52433975

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 1\ell_1-norm2\ell_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αw1\alpha||w||_1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αw22\alpha||w||_2^2即为L2正则化项。

ridge regression

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

一般都会在正则化项之前添加一个系数,Python中用α\alpha表示,一些文章也用λ\lambda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

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

##L1正则化和特征选择
假设有如下带L1正则化的损失函数:
(1)J=J0+αwwJ = J_0 + \alpha \sum_w{|w|} \tag{1}
其中J0J_0是原始的损失函数,加号后面的一项是L1正则化项,α\alpha是正则化系数。注意到L1正则化是权值的绝对值之和JJ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J0J_0后添加L1正则化项时,相当于对J0J_0做了一个约束。令L=αwwL = \alpha \sum_w{|w|},则J=J0+LJ = J_0 + L,此时我们的任务变成LL约束下求出J0J_0取最小值的解。考虑二维的情况,即只有两个权值w1w^1w2w^2,此时L=w1+w2L = |w^1|+|w^2|对于梯度下降法,求解J0J_0的过程可以画出等值线,同时L1正则化的函数LL也可以在w1w2w^1w^2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J0J_0的等值线,黑色方形是LL函数的图形。在图中,当J0J_0等值线与LL图形首次相交的地方就是最优解。上图中J0J_0LLLL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(w1,w2)=(0,w)(w^1, w^2) = (0, w)。可以直观想象,因为LL函数有很多『突出的角』(二维情况下四个,多维情况下更多),J0J_0与这些角接触的机率会远大于与LL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\alpha,可以控制LL图形的大小。α\alpha越小,LL的图形越大(上图中的黑色方框);α\alpha越大,LL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(w1,w2)=(0,w)(w1,w2)=(0,w)中的ww可以取到很小的值。

类似,假设有如下带L2正则化的损失函数:
(2)J=J0+αww2J = J_0 + \alpha \sum_w{w^2} \tag{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,与方形相比,被磨去了棱角。因此J0J_0LL相交时使得w1w^1w2w^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。

L2正则化和过拟合

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θ\thetahθ(x)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(hθ(x)y)2(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mm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12m\frac{1}{2m}

(3)J(θ)=12mi=1m(hθ(x(i))y(i))2J(\theta) = \frac{1}{2m}\sum_{i=1}^{m}(h_\theta(x^{(i)}) - y^{(i)})^2 \tag{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θj\theta_j求导:

(3.1)θjJ(θ)=1m(hθ(x)y)θjhθ(x) \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}

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

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

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

(3.3)θjJ(θ)=1mi=1m(hθ(x(i))y(i))xj(i) \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}

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(即学习率),得到最终用于迭代计算参数θj\theta_j的形式:

(4)θj:=θjα1mi=1m(hθ(x(i))y(i))xj(i)\theta_j := \theta_j - \alpha \frac{1}{m}\sum_{i=1}^{m}(h_\theta(x^{(i)}) - y^{(i)})x_j^{(i)} \tag{4}

其中α\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:
(5)θj:=θj(1αλm)α1mi=1m(hθ(x(i))y(i))xj(i)\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}

其中λ\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,θj\theta_j都要先乘以一个小于1的因子,从而使得θj\theta_j不断减小,因此总得来看,θ\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。

正则化参数的选择

L1正则化参数

通常越大的λ\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)+λx1F(x) = f(x) + \lambda ||x||_1
其中xx是要估计的参数,相当于上文中提到的ww以及θ\theta. 注意到L1正则化在某些位置是不可导的,当λ\lambda足够大时可以使得F(x)F(x)x=0x = 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

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

L2正则化参数

从公式5可以看到,λ\lambda越大,θj\theta_j衰减得越快。另一个理解可以参考图2,λ\lambda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。

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

没有更多推荐了,返回首页