正则化有助于克服过度拟合模型的问题。过度拟合是偏差和方差平衡的概念。如果过度拟合,机器学习模型将具有较低的准确性。当我们的机器学习模型试图从数据中学习更多属性时,就会添加来自训练数据的噪声。这里的噪声意味着数据点并不真正呈现数据的真实属性。
它将系数估计值调整或收缩为零。
在上面的图形中,您可以更好地理解这一点。
不同的正则化技术:L1和L2正则化
Dropout
数据增强
提前停止(Early stopping)
正则化对系数进行惩罚。在深度学习中,它实际上惩罚了节点的权重矩阵。
L1和L2正则化:
它是最常见的正则化类型。在回归模型中,L1正则化称为Lasso回归,L2称为岭回归。
成本函数=损失(交叉熵)+正则化
在机器学习中,这个拟合过程涉及到损失函数RSS(残差平方和)。
Lasso(L1 Normalization)
Ridge (L2 Normalization)
'y'表示学习关系,' β'表示不同变量或预测变量(x)的系数估计。 λ是调整参数,决定了我们想要多大程度地惩罚模型的灵活性。
这两者的区别在于惩罚项。Ridge将系数的平方大小作为惩罚项加到损失函数上。 Lasso (Least Absolute Shrinkage and Selection Operator)增加系数的绝对值。
如果机器学习数据集中有大量特征,那么对于特征选择,Lasso会将不太重要的特征系数缩小为零。
Dropout
它是深度学习中最常用的正则化方法。在每次迭代中,dropout选择一些节点并将其连同所有传入和传出的连接一起丢弃。每个迭代都有不同的节点集和输出。在机器学习中,这被称为ensemble,当它们捕捉到更多的随机性时,性能会更好。