机器学习 | 评估原理——回归中的正则化（含过拟合、惩罚）

半亩花海

于 2024-07-30 10:49:30 发布

阅读量333

点赞数 17

分类专栏：机器学习学习笔记文章标签：评估过拟合正则化惩罚函数算法机器学习

本文链接：https://blog.csdn.net/ttrr27/article/details/140748314

版权

学习笔记同时被 2 个专栏收录

30 篇文章 0 订阅

订阅专栏

机器学习

18 篇文章 0 订阅

订阅专栏

Hi，大家好，我是半亩花海。接着上次的准确率、精确率、召回率、F1值继续更新《白话机器学习的数学》这本书的学习笔记，在此分享回归中的正则化（含过拟合、惩罚）相关评估原理。本章的基于前几节已建立的模型进行评估知识的学习，欢迎大家交流学习！

一、过拟合

之前我们提到过的模型只能拟合训练数据的状态被称为过拟合（Overﬁtting）。记得在学习回归的时候，过度增加函数 $f_{\boldsymbol{\theta}}(\boldsymbol{x})$ 的次数会导致过拟合。过拟合不止在回归时出现，在分类时也经常发生，我们要时常留意它。

避免过拟合的方法大致有如下三种：

增加全部训练数据的数量
使用简单的模型
正则化

首先，重要的是增加全部训练数据的数量。之前我也讲过，机器学习是从数据中学习的，所以数据最重要。另外，使用更简单的模型也有助于防止过拟合。

二、正则化

1. 正则化的方法

还记得我们在讲解回归的时候提到的目标函数吗？详见如下面的文章《机器学习 | 回归算法原理——最小二乘法-CSDN博客》等内容。

$E(\boldsymbol{\theta})=\frac{1}{2} \sum_{i=1}^n\left(y^{(i)}-f_{\boldsymbol{\theta}}\left(\boldsymbol{x}^{(i)}\right)\right)^2$

我们要向这个目标函数增加下面这样的正则化项。

$R(\boldsymbol{\theta})=\frac{\lambda}{2} \sum_{j=1}^m \theta_j^2$

那么现在的 $E(\boldsymbol{\theta})$ 则变成如下表达式。

$\begin{aligned} E(\boldsymbol{\theta}) & =\frac{1}{2} \sum_{i=1}^n\left(y^{(i)}-f_{\boldsymbol{\theta}}\left(\boldsymbol{x}^{(i)}\right)\right)^2+R(\boldsymbol{\theta}) \\ & =\frac{1}{2} \sum_{i=1}^n\left(y^{(i)}-f_{\boldsymbol{\theta}}\left(\boldsymbol{x}^{(i)}\right)\right)^2+\frac{\lambda}{2} \sum_{j=1}^m \theta_j^2 \end{aligned}$

我们要对这个新的目标函数进行最小化，这种方法就称为正则化。

式中， $m$ 为参数的个数，不过一般来说不对 $\theta_0$ 应用正则化。所以仔细看会发现 $j$ 的取值是从 1 开始的。也就是说，假如预测函数的表达式为 $f_{\boldsymbol{\theta}}(\boldsymbol{x})=\theta_0+\theta_1 x+\theta_2 x^2$ ，那么 $m = 2$ 就意味着正则化的对象参数为 $\theta_1$ 和 $\theta_2$ （ $\theta_0$ 这种只有参数的项称为偏置项，一般不对它进行正则化）。 $\lambda$ 是决定正则化项影响程度的正的常数。这个值需要我们自己来定。

2. 正则化的效果

光看表达式可能不容易理解。我们结合图来想象一下。首先把目标函数分成两个部分。

$\begin{aligned} C(\boldsymbol{\theta}) & =\frac{1}{2} \sum_{i=1}^n\left(y^{(i)}-f_{\boldsymbol{\theta}}\left(\boldsymbol{x}^{(i)}\right)\right)^2 \\ R(\boldsymbol{\theta}) & =\frac{\lambda}{2} \sum_{j=1}^m \theta_j^2 \end{aligned}$

$C(\theta )$ 是本来就有的目标函数项， $R(\theta )$ 是正则化项。 $C(\theta )$ 和 $R(\theta )$ 相加之后就是新的目标函数，所以我们实际地把这两个函数的图形画出来，加起来看看。不过参数太多就画不出图来了，所以这里我们只关注 $\theta_1$ 。而且为了更加易懂，先不考虑 $\lambda$ 。

我们先从 $C(\theta )$ 开始画起，不用太在意形状是否精确。在讲回归的时候，我们说过这个目标函数开口向上，还记得吗？所以，我们假设它的形状如下所示。

从图中我们可以大致看出最小值是在 $\theta_1=4.5$ 附近的。

从这个目标函数在没有正则化项时的形状来看， $\theta_1=4.5$ 附近是最小值。接下来是 $R(\theta )$ ，它就相当于 $\frac{1}{2} \theta_1^2$ ，所以 $R(\theta )$ 是过原点的简单二次函数。

实际的目标函数是这两个函数之和 $E(\theta) = C(\theta) + R(\theta)$ ，我们来画一下它的图形。顺便考虑一下最小值在哪里。把 $\theta_1$ 各点上的 $C(\theta )$ 和 $R(\theta )$ 的高相加，然后用线把它们相连即可，如下图所示。

从图中我们可以看出来最小值是 $\theta_1=0.9$ ，与加正则化项之前的 $\theta_1=4.5$ 相比， $\theta_1$ 更趋向 0，这便是正则化的效果。由此可见，正则化可以防止参数变得过大，有助于参数接近较小的值。虽然我们只考虑了 $\theta_1$ ，但其他 $\theta_j$ 参数的情况也是类似的。

当然，参数的值变小，意味着该参数的影响也会相应地变小。比如，有下面这样的一个预测函数 $f_\theta(x)$ ，我们假定它是一个简单的二次方程。

$f_{\boldsymbol{\theta}}(\boldsymbol{x})=\theta_0+\theta_1 x+\theta_2 x^2$

极端一点，假设 $\theta _2 = 0$ ，这个表达式就从二次变为一次了，这就意味着本来是曲线的预测函数变为直线，如下图所示。

这正是通过减小不需要的参数的影响，将复杂模型替换为简单模型来防止过拟合的方式。

三、惩罚

为了防止参数的影响过大，在训练时要对参数施加一些惩罚。比如上面提到的 $\lambda$ 就是可以控制正则化惩罚的强度。

$\begin{aligned} C(\boldsymbol{\theta}) & =\frac{1}{2} \sum_{i=1}^n\left(y^{(i)}-f_{\boldsymbol{\theta}}\left(\boldsymbol{x}^{(i)}\right)\right)^2 \\ R(\boldsymbol{\theta}) & =\frac{\lambda}{2} \sum_{j=1}^m \theta_j^2 \end{aligned}$

比如令 $\lambda=0$ ，那就相当于不使用正则化。

$\lambda$ 越大，正则化的惩罚也就越严厉。

半亩花海

关注

17
点赞
踩
17

收藏

觉得还不错? 一键收藏
0
评论
机器学习 | 评估原理——回归中的正则化（含过拟合、惩罚）

Hi，大家好，我是半亩花海。接着上次的准确率、精确率、召回率、F1值继续更新《白话机器学习的数学》这本书的学习笔记，在此分享回归中的正则化（含过拟合、惩罚）相关评估原理。本章的基于前几节已建立的模型进行评估知识的学习，欢迎大家交流学习！
复制链接

扫一扫

专栏目录