![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
统计学习方法
文章平均质量分 72
junjian Li
如若前路不明,请俯首看脚下.
展开
-
L1正则能够得到稀疏解
在复习到过拟合的解决方法的时候L1正则化和L2正则化都可以用于降低过拟合的风险,但是L1正则化还会带来一个额外的好处:它比L2正则化更容易获得稀疏解,也就是说它求得的w权重向量具有更少的非零分量。主要就其为什么可以防止过拟合总结一下,相当于写个小笔记。首先L1和L2正则降低了模型的复杂度,是对模型复杂度的惩罚。并且L1正则能够得到稀疏解,L2正则能够得到平滑解。1、首先为什么L1正则能够得到稀疏解呢?1.1 用图解释:l1正则用一个菱形去逼近目标,而l2正则用一个圆形去逼近目标,所以在逼近的过程过,原创 2021-04-01 10:08:49 · 1948 阅读 · 0 评论 -
第一章 统计学习和监督学习概论
1.绪刚看到这本书的时候,就有一个疑问:统计学习方法是不是就等于机器学习?假如不是得话,那么统计学习和机器学习有什么关系呢?目前流行的一种说法是,机器学习和统计学之间的主要区别就在于他们的目的:机器学习模型旨在去达到最准确的预测,而统计模型被设计用于推断变量之间的关系。更加倾向于模型的可解释性。在统计学方法中,模型的要点是表征数据和结果变量之间的关系,而不是对未来数据进行预测。这个过程被称之为统计推断,而不是预测。在机器学习中,机器学习的目的是为了获得可以进行重复预测的模型,不关心模型是否可解释,只原创 2020-08-03 09:27:05 · 271 阅读 · 0 评论