正则化项java_Machine Learning基础：正则化项（Regularization）

1 正则化(Regularization)

奥卡姆剃刀定律。

image

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-norm和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即为L1正则化项。

image

下图是Python中Ridge回归的损失函数，式中加号后面一项α||w||22即为L2正则化项。

image

一般回归分析中回归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中各个元素的绝对值之和，通常表示为||w||1

L2正则化是指权值向量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