正则化的线性回归岭回归、Lasso回归

最新推荐文章于 2024-04-30 23:33:17 发布

宁缺100

最新推荐文章于 2024-04-30 23:33:17 发布

阅读量617

点赞数 1

分类专栏： DL 大数据文章标签：正则化岭回归 Lasso回归 L2正则

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/qq_24434491/article/details/106389464

版权

正则化的线性回归包括岭回归和Lasso回归，两者都是防止过拟合的手段。岭回归通过L2范数惩罚项修正最小二乘法，而Lasso回归使用L1范数。文中详细介绍了两种回归的效果，并提供了多项式特征构造的实例。

摘要由CSDN通过智能技术生成

文章目录

概述

正则化的线性回归

岭回归就是正则化的线性回归，线性回归容易出现过拟合，正则化是防止过拟合的常用方法。换句话说是修正后的最小二乘法。

线性回归的误差函数
$\frac{1}{2}\sum_{i=1}^{n}{(y-y`)^2}$

最低0.47元/天解锁文章

关注

1
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
正则化的线性回归岭回归、Lasso回归

文章目录概述岭回归效果Lasso回归效果线性回归效果概述正则化的线性回归岭回归就是正则化的线性回归，线性回归容易出现过拟合，正则化是防止过拟合的常用方法。换句话说是修正后的最小二乘法。线性回归的误差函数f(w) = \frac{1}{2}\sum_{i=1}^{n}{(y-y`)^2}优化的误差函数是原来线性回归的均方误差上加上L2范数的惩罚项(修正项)，惩罚模型的复杂程度。f(w) = \frac{1}{2}\sum_{i=1}^{n}{(y-y`)^2}+\frac{1}{2}a*\
复制链接

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。