L1，L2范数

elkluh

已于 2022-09-19 06:15:29 修改

阅读量262

点赞数

分类专栏：机器学习文章标签：机器学习

于 2022-07-11 02:03:03 首次发布

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_39696563/article/details/125713609

版权

我们知道线性回归的损失范数可以用下面的公式来表示：

$E= \left \| ya-f \right \|^{2}$

a是我们要求的系数，y是预测值，f是目标值。优化策略是使E越小越好。

正则化的目的是，是模型对噪声不那么敏感，减少过拟合，使模型具有更好的泛化性。

L2范数

如果我们要使用L2范数也就是岭回归（ridge regression），则有

$E_1 = \left \| ya-f \right \|^{2} + \alpha\left \| a \right \|^2$

作用是加上一个第二个式子，防止a太大，a太大会使模型对于噪声很敏感，导致过拟合的情况，所以对E进行正则化，缩小a的取值，防止过拟合的情况出现。

求解过程为：

最低0.47元/天解锁文章

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
L1，L2范数

正则化
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。