机器学习中正则化项L1和L2的直观理解

本文介绍了机器学习中L1和L2正则化的概念及其作用。L1正则化产生稀疏模型,适用于特征选择,而L2正则化能防止过拟合。L1正则化通过绝对值之和导致系数接近0,实现特征选择,而L2正则化通过平方和使得参数较小,增强模型泛化能力。正则化参数的选择会影响模型的复杂度,较大的正则化参数会促使模型参数更接近于0,防止过拟合。
摘要由CSDN通过智能技术生成

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 w1w

评论 190
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