通过给目标函数增加一个正则项来防止其过拟合

为什么可以通过给目标函数增加一个正则项来防止其过拟合？（来使其更圆滑？）

 

（在实现MF矩阵分解算法的时候，也有给损失函数增加一个正则项：推荐系统之矩阵分解及其Python代码实现）

 

经常用来控制过拟合现象的一种技术是正则化（regularization）。

这种技术涉及到给误差函数增加一个惩罚项，使得系数不会达到很大的值。

这种惩罚项最简单的形式采用所有系数的平方和的形式。

 误差函数的修改后的形式：

  （可以用解析的形式求出最小值）

其中，

系数 λ 控制了正则化项相对于平方和误差项的重要性。

 

 

像这样的技术在统计学的文献中被叫做收缩（shrinkage）方法，因为这种方法减小了系数的值。
二次正则项的一个特殊情况被称为山脊回归（ridge regression）（Hoerl and Kennard, 1970）。

在神经网络的情形中，这种方法被叫做权值衰减（weight decay）。

 

 

另外，避免过拟合的其他方法有：

1）early stopping；

　：记录到目前最好的值， 可以看loss，也可以看测评指标， 连续多少次迭代都没有超过这个最好值就可以停了。

　　与增加一个正则项的方法有什么本质区别？

　　—— 增加一个正则项的方法：是避免参数过拟合（约束所有的参数不过拟合，但是参数组合以后的情况不可预料的。

　　—— early stopping是从结果上看的， 

 

2）增大数据集的规模；

正则化（Regularization）包括L1、L2（L2 regularization也叫weight decay）；

3）dropout（为了防止神经网络中出现的过拟合）；

 

【Reference】

1、正则化为什么能防止过拟合

2、PRML