机器学习之正则化（L1、L2以及Early Stopping、Dropout）

正则化Regularization

正则化方法：防止过拟合，提高泛化能力

training data少的时候，或者overtraining时，常常会导致overfitting（过拟合）（即在training上的结果好，但是在testing上的结果却很差）。

通常我们会将数据集分为training data、validation data、testing data
如下图，一般取得最好的training效果时的testing效果都不是最好的，因此我们需要提前stopping training
validation data是用来确定early stopping的，以及确定learning rate 的

避免过拟合的方法有很多：early stopping、数据集扩增（Data augmentation）、正则化（Regularization）包括L1、L2（L2 regularization也叫weight decay），dropout。

L1regularization：

L1正则化就是在代价函数后面再加上一个正则化项：

这里可以不