Regularization

最新推荐文章于 2020-02-26 11:10:22 发布

pao___pao

最新推荐文章于 2020-02-26 11:10:22 发布

阅读量505

点赞数

分类专栏：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/pao___pao/article/details/86694794

版权

机器学习专栏收录该内容

6 篇文章 0 订阅

订阅专栏

如果没有足够的数据集约束过多特征的模型，就会发生过拟合。

解决过拟合通常有两个方法：减少特征数量；正则化

根据正则化项不同可分为L1正则化和L2正则化，线性回归的L1正则化叫Lasso回归，L2正则化叫Ridge回归

线性回归：

$J(\theta) = \frac{1}{2m}{}\sum_{i=1}^m(h_{\theta}(x^{(i)})-y^{(i)})^{2}+\frac{\lambda }{2m}\sum_{j=1}^{n}\theta_{j}^{2}$

梯度下降迭代更新 $\theta$ ：(其中j = 1,2......n ; $x_{0}^{(i)}=1$ )

{

$\theta_{0} := \theta_{0}-\alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})x_{0}^{(i)}$

$\theta_{j} :=\theta_{j}-\alpha[\frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})x_{j}^{(i)}+\frac{\lambda}{m}\theta_{j}]$

}

正规方程求 $\theta$ ：(矩阵为n+1维）

$\theta = (X^{T}X+\lambda\begin{bmatrix} 0 & &\\ & 1 &\\ & & 1 \end{bmatrix})^{-1}X^{T}y$

逻辑回归:

$J(\theta)=\frac{1}{m}\sum_{i=1}^{m} (-y^{(i)}log h_{\theta}(x^{(i)})-(1-y^{(i)})log(1-h_{\theta}(x^{(i)}))+\frac{\lambda }{2m}\sum_{j=1}^{n}\theta_{j}^{2}$

梯度下降迭代更新 $\theta$ ：(其中j = 1,2......n ; $x_{0}^{(i)}=1$ )

{

$\theta_{0} := \theta_{0}-\alpha \frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})x_{0}^{(i)}$

$\theta_{j} :=\theta_{j}-\alpha[\frac{1}{m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})x_{j}^{(i)}+\frac{\lambda}{m}\theta_{j}]$

}

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。