损失函数的正则化
范数(Norm): 用来度量某个向量空间(或矩阵)中每个向量的长度或大小。
向量范数——L1和L2最常用
矩阵范数
线性回归的正则化
使用训练集拟合线性回归方程时,如使用多项式拟合时,一般来说拟合方程的次数越高拟合效果越好,损失函数越小,但拟合函数也变得更加复杂。
在某些异常的情况下,如训练的数据量较小或者特征过多时,测试集中如果出现先前训练集中没有的样本,预测结果未必有效,使得分类结果的方差较大,出现过拟合,由此可见损失函数过小也不可取,意味着模型的通用性不够ÿ
损失函数的正则化
范数(Norm): 用来度量某个向量空间(或矩阵)中每个向量的长度或大小。
向量范数——L1和L2最常用
矩阵范数
线性回归的正则化
使用训练集拟合线性回归方程时,如使用多项式拟合时,一般来说拟合方程的次数越高拟合效果越好,损失函数越小,但拟合函数也变得更加复杂。
在某些异常的情况下,如训练的数据量较小或者特征过多时,测试集中如果出现先前训练集中没有的样本,预测结果未必有效,使得分类结果的方差较大,出现过拟合,由此可见损失函数过小也不可取,意味着模型的通用性不够ÿ