吴恩达机器学习--正则化（4）

最新推荐文章于 2022-11-04 21:11:36 发布

翔燕

最新推荐文章于 2022-11-04 21:11:36 发布

阅读量267

点赞数

分类专栏：机器学习--吴恩达文章标签：吴恩达机器学习正则化

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_36217665/article/details/96423510

版权

本文深入探讨了过拟合现象及其在回归和分类问题中的表现。介绍了处理过拟合的方法，如特征选择和正则化。详细阐述了正则化的代价函数，正则化参数λ的选择对模型的影响。接着，讲解了线性回归和逻辑回归的正则化实现，包括梯度下降和正规方程的应用。

摘要由CSDN通过智能技术生成

1 过拟合

（1）回归中的过拟合

在这里插入图片描述第一个模型是欠拟合，不能很好地适应训练集；第三个模型用四次方进行拟合，过于强调拟合原始数据，而丢失了预测新数据的能力。而中间的模型似乎最合适。

（2）分类问题中的过拟合

在这里插入图片描述 ? 的次数越高，拟合的越好，但相应的预测的能力就可能变差。

（3）如何处理过拟合

1）丢弃一些不能正确预测的特征。可以是手工选择保留哪些特征，或者使用一
些模型选择的算法来帮忙（例如PCA）
2）正则化。保留所有的特征，但是减少参数的大小（magnitude）。

2. 代价函数

（1）代价函数

增加惩罚项，使θ尽可能的小，代价函数如下：
在这里插入图片描述
约定：增加惩罚项一般从θ₁

最低0.47元/天解锁文章

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。