欠拟合:high bias,训练数据不够充分;
过拟合:产生high variance,过度训练数据,泛化性能差。
用Bengio在Deep Learning中的这个图来阐述什么是过拟合。
随着模型的优化,training error和generalization error都下降,但到了一定程度之后,training error还在下降,而generalization error却上升了。
Regularization:
正则化的本质:约束要优化的参数。一般形式如下:
根据惩罚项的不同形式,又分为L0,L1,L2范数。
正则化其实是对解空间的一个限制:
蓝色的区域是解空间,红色的区域是正则化。蓝色的曲线的每个环上的点对应的损失函数都相等,通过正则化使得解空间被限制在红色区域。左侧L2范数,正则域是圆。右侧是L1范数,正则域是正方形。
1)L0范数
L0范数是指参数矩阵W中含有零元素的个数,L0范数限制了参数的个数不会过多,这也就简化了模型,当然也就能防止过拟合。
2)L1范数
L1范数是参数矩阵W中元素的绝对值之和,L1范数相对于L0范数不同点在于,L0范数求解是NP问题,而L1范数是L0范数的最优凸近似,求解较为容易。L1常被称为LASSO.
3)L2范数
L2范数是参数矩阵W中元素的平方之和,这使得参数矩阵中的元素更稀疏,与前两个范数不同的是,它不会让参数变为0,而是使得参数大部分都接近于0。L1追求稀疏化,从而丢弃了一部分特征(参数为0),而L2范数只是使参数尽可能为0,保留了特征。L2被称为Rigde.
Dropout正则化
Dropout的意思是:每次训练时随机忽略一部分神经元,这些神经元dropped-out了。换句话讲,这些神经元在正向传播时对下游的启动影响被忽略,反向传播时也不会更新权重。
Dropout的效果是,网络对某个神经元的权重变化更不敏感,增加泛化能力,减少过拟合。