转自:https://blog.csdn.net/jinping_shi/article/details/52433975
正则化
损失函数一般后面都会添加一个附加项,这个附加项一般分成两种:
一般英文称作 ℓ1-norm 和 ℓ2 -norm,中文称作== L1正则化 ==和 L2正则化,或者 L1范数 和 L2范数。
L1正则化和L2正则化可以看做是损失函数的惩罚项。所谓『惩罚』是指对损失函数中的某些参数做一些限制。
对于线性回归模型,使用L1正则化的模型建叫做Lasso回归,使用L2正则化的模型叫做Ridge回归(岭回归)。下图是Python中Lasso回归的损失函数,式中加号后面一项就是L1正则化项
下图是Python中Ridge回归的损失函数,加号后一项是L2正则化项。
一般回归分析中回归w表示特征的系数,从上式可以看到正则化项是对系数做了处理(限制)。L1正则化和L2正则化的说明如下:
- L1正则化是指权值向量w中各个元素的绝对值之和,通常表示为||w||1
- L2正则化是指权值向量w中各个元素的平方好和然后再求平方根,可以看到Ridge回归的L2正则化项有平方符号),通常表示为||w||2
一般都会在正则化项之前添加一个系数,Python中用α表示,一些文章也用λ 表示。这个系数需要用户指定。
L1正则化和L2正则化作用:
- L1正则化可以产生稀疏权值矩阵,即产生一个稀疏模型,可以用于特征选择。
- L2正则化可以防止模型过拟合(overfitting),一定程度上,L1也可以防止过拟合。
稀疏模型与特征选择
上面提到L1正则化有助于生成一个稀疏权值矩阵,进而可以用于特征选择。为什么要生成一个稀疏矩阵?
稀疏矩阵指的是很多元素为0,只有少数元素是非零值的矩阵,即得到的线性回归模型的大部分系数都是0. 通常机器学习中特征数量很多,例如文本处理时,如果将一个词组(term)作为一个特征,那么特征数量会达到上万个(bigram)。在预测或分类时,那么多特征显然难以选择,但是如果代入这些特征得到的模型是一个稀疏模型,表示只有少数特征对这个模型有贡献,绝大部分特征是没有贡献的,或者贡献微小(因为它们前面的系数是0或者是很小的值,即使去掉对模型也没有什么影响),此时我们就可以只关注系数是非零值的特征。这就是稀疏模型与特征选择的关系。
L1和L2正则化的理解
L1正则化和特征选择
假设有如下带L1正则化的损失函数:
其中J0 是原始的损失函数,加号后面的一项是L1正则化项,α 是正则化系数。注意到L1正则化是权值的绝对值之和,J 是带有绝对值符号的函数,因此J是不完全可微的。机器学习的任务就是要通过一些方法(比如梯度下降)求出损失函数的最小值。当我们在原始损失函数J0 后添加L1正则化项时,相当于对J0做了一个约束。令L=α∑w∣w∣ ,则J=J0+L ,此时我们的任务变成在L约束下求出J0取最小值的解。考虑二维的情况,即只有两个权值w1和w2,此时L=∣w1∣+∣w2∣对于梯度下降法,求解J0 的过程可以画出等值线,同时L1正则化的函数L也可以在 w1w2 的二维平面上画出来。如下图:
图中等值线J0的等值线,黑色方形是L函数图形。在图形中,当J0等值线与L图形首次相交的地方就是最优解。上图中J0与L在L的一个顶点处相交,这个顶点就是最优解。注意到这个顶点的值(w1,w2)=(0,w)。可以直观想象,因为L函数很多突出的角(二维情况下四个,多维更多),J0与这些角接触的机率会远大于L其他部位接触的机率。而在这些角上,会有很多权值等于0,这就是为什么L1正则可以产生稀疏模型,进而可以用于特征选择。
而正则化前面的系数α,可以控制L图形的大小,α越小,L的图形越大;α越大,L的图形就越小,可以小到黑色方框只超出原点范围一点点,这就是最优点的值(w1,w2)=(0,w)中的w可以取到的最小值。
类似,假设有如下带L2正则化的损失函数:
可以画出:
二维平面下L2正则化的函数图形是个圆,与方形相比,没有棱角,因此,J0与L相交时使得w1或w2等于零的记机率小了许多,这就是为什么L2正则化不具有稀疏性的原因。
L2正则化和过拟合
拟合过程中都趋向于让权值尽量小,洗后构造一个所有参数都比较小的模型。因为一般认为参数值小的模型比较简单,能适应不同的数据集,也在一定程度上避免了过拟合现象。可以设想一下对于一个线性回归方程,若参数很大,那么只要数据偏移一点点,就会对结果造成很大的影响;但如果参数足够小,数据偏移得多一点也不会对结果造成什么影响,专业一点的说法是『抗扰动能力强』。
那为什么L2正则化可以获得值很小的参数?
以线性回归中的梯度下降法为例。假设要求的参数为θ。hθ(x)是我们的假设函数。线性回归一般使用平方差损失函数。单个样本的平方差是(hθ(x)-y)2,如果考虑所有样本,损失函数是对每个样本的平方差求和,假设有m个样本,线性回归的代价函数如下,为了后续处理方便,乘以一个常数1/2m。
在梯度下降算法中,需要先对参数求导,得到梯度。梯度本身是上升最快的方向,为了让损失尽可能小,沿梯度的负方向更新参数即可。
对于单个样本,先对某个参数θj 求导:
注意到hθ(x)的表达式是hθ(x)=θ0 x0+θ1 x1+……+θn xn,单个样本对某参数θj 求导:
最终(3.1)式结果如下:
在考虑所有样本的情况,将每个样本对θj的导数求和即可,得到下式:
梯度下降算法中,为了尽快收敛,会沿梯度的负方向更新参数,因此在(3.3)式前添加一个负号,并乘以一个系数α \alphaα(即学习率),得到最终用于迭代计算参数θj 的形式:
其中α 是learning rate. 上式是没有添加L2正则化项的迭代公式,如果在原始代价函数之后添加L2正则化,则迭代公式会变成下面的样子:
其中λ就是正则化参数。从上式可以看到,与未添加L2正则化的迭代公式相比,每一次迭代,θj \th都要先乘以一个小于1的因子,从而使得θj不断减小,因此总得来看,θ是不断减小的。
最开始也提到L1正则化一定程度上也可以防止过拟合。之前做了解释,当L1的正则化系数很小时,得到的最优解会很小,可以达到和L2正则化类似的效果。
正则化参数的选择
L1正则化参数
通常越大的λ 可以让代价函数在参数为0时取到最小值。
L2正则化参数
λ 越大,θj衰减得越快。另一个理解,λ越大,L2圆的半径越小,最后求得代价函数最值时各参数也会变得很小。