机器学习高频知识点——1. 正则化

异人无双

已于 2024-03-29 23:12:16 修改

阅读量2.9k

点赞数 29

分类专栏：机器学习文章标签：机器学习人工智能

于 2024-03-28 16:50:59 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/sinat_34326100/article/details/137106257

版权

📖概念

正则化是一种防止模型过拟合的有效策略，主要分为参数正则化和经验正则化。

正则化符合奥卡姆剃刀定律①，核心思想是降低模型复杂度。

🧩参数正则化

参数正则化主要通过对模型的参数进行约束来实现。

通过在经验风险②上加一个正则化项（也叫惩罚项），实现结构风险③最小化。模型越复杂，正则化项的值越大，二者关系单调递增。

参数正则化一般具有如下形式：

$\min_{f\in\digamma}\frac{1}{N}\sum^{N}_{i=1}L(y_i,f(x_i))+\lambda J(f)$

第一项是经验风险，第二项是正则化项，λ≥0为调整两者关系的系数。

🍋范数 norm

范数是向量的投影大小，用于衡量向量的距离。有L1范数、L2范数、L3范数、L4范数等，抽象表示为Lp-norm。公式写作： $\|x\|_p = (\sum_i\left|x_i\right|^p)^{1/p}$ ，代入p值：

L1范数（L1-norm）： $\|x\|_1 = \sum^{n}_{i=1}\left|x_i\right| = \left|x_1\right|+\left|x_2\right|+...+\left|x_n\right|$

，绝对值之和，也称为曼哈顿范数④，它反映了向量在某种“距离”度量下的“大小”或“长度”。

L2范数（L2-norm）：

最低0.47元/天解锁文章

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。