一、深度学习 L1 L2正则化

目录

 

正则化（Regularization）

稀疏模型与特征选择

L1和L2正则化的直观理解

L2正则化和过拟合

正则化参数的选择

L1正则化参数

L2正则化参数

---

正则化（Regularization）

机器学习中几乎都可以看到损失函数后面会添加一个额外项，常用的额外项一般有两种，一般英文称作 ℓ1

ℓ1​-norm 和 ℓ2

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α∣∣w∣∣1

α∣∣w∣∣1​即为L1正则化项。

下图是Python中Ridge回归的损失函数，式中加号后面一项α∣∣w∣∣22

α∣∣w∣∣22​即为L2正则化项。

一般回归分析中回归w

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

w中各个元素的绝对值之和，通常表示为∣∣w∣∣1

• ∣∣w∣∣1​
• L2正则化是指权值向量w
• w中各个元素的平方和然后再求平方根（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
  • ∣∣w∣∣2​

  一般都会在正则化项之前添加一个系数，Python中用α

  α表示，一些文章也用λ

  λ表示。这个系数需要用户指定。

  那添加L1和L2正则化有什么用？下面是L1正则化和L2正则化的作用，这些表述可以在很多文章中找到。

  • 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正则化的直观理解

  这部分内容将解释为什么L1正则化可以产生稀疏模型（L1是怎么让系数等于零的），以及为什么L2正则化可以防止过拟合。

  ##L1正则化和特征选择
  假设有如下带L1正则化的损失函数：
  J=J0+α∑w∣w∣(1)

  J=J0​+αw∑​∣w∣(1)
  其中J0J0​是原始的损失函数，加号后面的一项是L1正则化项，αα是正则化系数。注意到L1正则化是权值的绝对值之和，JJ是带有绝对值符号的函数，因此JJ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J0J0​后添加L1正则化项时，相当于对J0J0​做了一个约束。令L=α∑w∣w∣L=α∑w​∣w∣，则J=J0+LJ=J0​+L，此时我们的任务变成在LL约束下求出J0J0​取最小值的解。考虑二维的情况，即只有两个权值w1w1和w2w2，此时L=∣w1∣+∣w2∣L=∣w1∣+∣w2∣对于梯度下降法，求解J0J0​的过程可以画出等值线，同时L1正则化的函数LL也可以在w1w2

  w1w2的二维平面上画出来。如下图：

  
  图1 L1正则化

  图中等值线是J0

  J0​的等值线，黑色方形是LL函数的图形。在图中，当J0J0​等值线与LL图形首次相交的地方就是最优解。上图中J0J0​与LL在LL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是(w1,w2)=(0,w)(w1,w2)=(0,w)。可以直观想象，因为LL函数有很多『突出的角』（二维情况下四个，多维情况下更多），J0J0​与这些角接触的机率会远大于与L

  L其它部位接触的机率，而在这些角上，会有很多权值等于0，这就是为什么L1正则化可以产生稀疏模型，进而可以用于特征选择。

  而正则化前面的系数α

  α，可以控制LL图形的大小。αα越小，LL的图形越大（上图中的黑色方框）；αα越大，LL的图形就越小，可以小到黑色方框只超出原点范围一点点，这是最优点的值(w1,w2)=(0,w)(w1,w2)=(0,w)中的w

  w可以取到很小的值。

  类似，假设有如下带L2正则化的损失函数：
  J=J0+α∑ww2(2)

  J=J0​+αw∑​w2(2)
  同样可以画出他们在二维平面上的图形，如下：

  
  图2 L2正则化

  二维平面下L2正则化的函数图形是个圆，与方形相比，被磨去了棱角。因此J0

  J0​与LL相交时使得w1w1或w2

  w2等于零的机率小了许多，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

  拟合过程中通常都倾向于让权值尽可能小，最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

  θ，hθ(x)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(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mm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12m

  2m1​：

  J(θ)=12m∑mi=1(hθ(x(i))−y(i))2(3)

  J(θ)=2m1​i=1∑m​(hθ​(x(i))−y(i))2(3)

  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

  θj​求导：

  ∂∂θjJ(θ)=1m(hθ(x)−y)∂∂θjhθ(x)(3.1)

  ∂θj​∂​J(θ)=m1​(hθ​(x)−y)∂θj​∂​hθ​(x)(3.1)

  注意到hθ(x)

  hθ​(x)的表达式是hθ(x)=θ0x0+θ1x1+⋯+θnxnhθ​(x)=θ0​x0​+θ1​x1​+⋯+θn​xn​. 单个样本对某个参数θjθj​求导，∂∂θjhθ(x)=xj

  ∂θj​∂​hθ​(x)=xj​. 最终(3.1)式结果如下：

  ∂∂θjJ(θ)=1m(hθ(x)−y)xj(3.2)

  ∂θj​∂​J(θ)=m1​(hθ​(x)−y)xj​(3.2)

  在考虑所有样本的情况，将每个样本对θj

  θj​的导数求和即可，得到下式：

  ∂∂θjJ(θ)=1m∑mi=1(hθ(x(i))−y(i))x(i)j(3.3)

  ∂θj​∂​J(θ)=m1​i=1∑m​(hθ​(x(i))−y(i))xj(i)​(3.3)

  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

  α（即学习率），得到最终用于迭代计算参数θj

  θj​的形式：

  θj:=θj−α1m∑mi=1(hθ(x(i))−y(i))x(i)j(4)

  θj​:=θj​−αm1​i=1∑m​(hθ​(x(i))−y(i))xj(i)​(4)

  其中α

  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：
  θj:=θj(1−αλm)−α1m∑mi=1(hθ(x(i))−y(i))x(i)j(5)

  θj​:=θj​(1−αmλ​)−αm1​i=1∑m​(hθ​(x(i))−y(i))xj(i)​(5)

  其中λ

  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，θjθj​都要先乘以一个小于1的因子，从而使得θjθj​不断减小，因此总得来看，θ

  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

  λ可以让代价函数在参数为0时取到最小值。下面是一个简单的例子，这个例子来自Quora上的问答。为了方便叙述，一些符号跟这篇帖子的符号保持一致。

  假设有如下带L1正则化项的代价函数：
  F(x)=f(x)+λ∣∣x∣∣1

  F(x)=f(x)+λ∣∣x∣∣1​
  其中xx是要估计的参数，相当于上文中提到的ww以及θθ. 注意到L1正则化在某些位置是不可导的，当λλ足够大时可以使得F(x)F(x)在x=0

  x=0时取到最小值。如下图：

  
  图3 L1正则化参数的选择

  分别取λ=0.5

  λ=0.5和λ=2λ=2，可以看到越大的λλ越容易使F(x)F(x)在x=0

  x=0时取到最小值。

  L2正则化参数

  从公式5可以看到，λ

  λ越大，θjθj​衰减得越快。另一个理解可以参考图2，λλ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。