机器学习 正则化l1怎么用_什么是机器学习中的正则化（Regularization）

Regularization：在现有Features不变情况下，降低部分不重要Features的影响力。这个方法有助于有很多Features且每个Features都有贡献的Neural Network避免Overfitting。

Regularization不是新鲜的词，我这里主要记录其在神经网络中的应用。

复杂模型的overfitting问题

第一次听Regularization的时候，总会和正则表达联系在一起，如

@Star Folding

所说，Regularization就是向你的模型加入某些规则，加入先验，缩小解空间，减小求出错误解的可能性。而正则化这个词，的确让初学者不知道这个是什么。原理是这样的：

在cost function后面加一个惩罚项(对某些参数做限制)，如果一个权重太大，将导致Cost过大，因此在反向传播后就会对这个权重进行惩罚，使保持在一个较小的值。

常见的是L1 Regularization 和 L2 Regularization

原谅我还是得用李宏毅老师的PPT

在用L1 Regularization后的Cost function经过微分后

用L1 Regularization的话，相当于每次在更新权重的时候，如果原来的

是正的，就减去上图划线的项，如果是负的，就加上划线的项，于此一来就相当于每次更新都在减小权重。

在用L2 Regularization后的Cost function经过微分后

也就是对于L2 Regularization，相当于每次在权重更新的时候，都先将上一次的权重先乘

，类似于0.999之类的，所以每次都会越来越靠近0(但不会真的都变成0，因为还有后面的微分)。

这样每次都减一点减一点的方式，就是Weight Decay了。

最后，来看一个在Regression中的Regularization视频，讲得不错。

Regularization

参考资料：

[1]:Machine Learning學習日記 — Coursera篇 (Week 3.4):The Problem of Overfitting, Cost Function, Regularized Linear Regression, Regularized Logistic Regression

[2]:机器学习中常常提到的正则化到底是什么意思？

[3]:Difference between L1 and L2 regularization, implementation and visualization in Tensorflow

[4]:https://murphymind.blogspot.com/2017/05/machine.learning.regularization.html