正则化的作用
防止过拟合、提高模型泛化能力。
概念
- 正则化等价于结构风险最小化
- 正则化等价于带约束的目标函数中的约束项
- 正则化等价于带约束的目标函数中的约束项
- 正则项等价于引入参数的模型先验概率
- 在误差符合均值为0的高斯分布,则最大似然估计和最小二乘法等价
- 最大后验估计就是在最大似然估计函数上面乘上了一项先验分布而已
- L1 范数相当于给模型参数\theta设置一个拉普拉斯先验分布;L2范数相当于给模型参数\theta设置一个均值为0的高斯先验分布。
- L0和L1正则可以得到稀疏解,二L2不能,并且参数优化速度L1快于L2,但是L2更容易理解,计算更方便。
类型
正则化分为三种:
L0正则化: 模型参数中非零参数的个数。
L1正则化: 各个参数绝对值之和。
L2正则化: 各个参数的平方的和的开方值。
如何判断模型出现过拟合:
(1)比较模型对验证集和训练集的识别精度,如果验证集识别精度大幅低于训练集,则可以判断模型存在过拟合
(2)训练集的代价函数快速下降至0附近,也可以怀疑出现了过拟合
(3)样本个数比特征个数少,也很容易出现过拟合