机器学习之正则化

最新推荐文章于 2022-05-11 19:53:55 发布

jokersio

最新推荐文章于 2022-05-11 19:53:55 发布

阅读量95

点赞数 1

分类专栏：机器学习文章标签：机器学习深度学习 python

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_43412251/article/details/120336968

版权

机器学习专栏收录该内容

12 篇文章 0 订阅

订阅专栏

正则化

应用背景——过拟合

当我们过于执着于拟合训练集的数据时，有可能造成过拟合的情况，如下图三所示

在这里插入图片描述

这样的预测函数，对于新加入的数据预测效果会非常差

就以多项式理解，x的次数越高，拟合的越好，但相应的预测的能力就可能变差。

应对方法：

减少特征数量。

手工选择保留哪些特征

使用一些模型选择的算法来帮忙（例如PCA）
正则化。

保留所有的特征，但是减少参数的大小（magnitude）

代价函数

为了减少过拟合情况的发生，我们可以在代价函数 $J$ 中加入高次方程的系数惩罚项，使得高次系数尽量趋近于0

在这里插入图片描述

但在实际运行过程中，我们并不知道哪些次数会是高次项，所以我们在代价函数里惩罚每一个系数

在这里插入图片描述

这时候需要注意 $λ$ 的取值，如果过大，会让曲线最后接近于一条直线，如果过小，则没有起到正则化的作用

注意：不惩罚 $θ 0$

线性回归正则化

梯度下降

在这里插入图片描述

正规方程正则化

在这里插入图片描述

注意那个矩阵是n+1维的（不惩罚第0项）

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
机器学习之正则化

正则化应用背景——过拟合当我们过于执着于拟合训练集的数据时，有可能造成过拟合的情况，如下图三所示这样的预测函数，对于新加入的数据预测效果会非常差就以多项式理解，x的次数越高，拟合的越好，但相应的预测的能力就可能变差。应对方法：减少特征数量。手工选择保留哪些特征使用一些模型选择的算法来帮忙（例如PCA）正则化。保留所有的特征，但是减少参数的大小（magnitude）代价函数为了减少过拟合情况的发生，我们可以在代价函数JJJ中加入高次方程的系数惩罚项，使得高次系数尽量趋近于
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。