L1、L2、Batch Normalization、Dropout为什么能够防止过拟合呢?

本文详细介绍了L1、L2正则化,BN(Batch Normalization)算法以及Dropout技术如何防止过拟合。L1产生稀疏矩阵进行特征选择,L2则通过让参数变小来构建简单的模型。BN通过归一化加速训练并减少过拟合,Dropout通过随机忽略神经元提高泛化能力。分布式表示的概念也被用于解释Dropout的效用。
摘要由CSDN通过智能技术生成

1、L1正则化

L1正则化算法用来防止过拟合时,是在损失函数上加入 ∣ ∣ w ∣ ∣ ||w|| w,如下式所示:
在这里插入图片描述
在优化损失函数的时候L1正则化会产生稀疏矩阵,导致一部分w为0,注意这也是L1正则化的核心思想。产生稀疏矩阵之后,一部分w为0,一部分不为0,这样即可对特征进行选择。选择比较重要、明显的特征作为分类和预测的依据,抛弃那些不重要的特征。

  • 8
    点赞
  • 32
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
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