1. 归一化(Normalization)
归一化 (Resaling) 一般是将数据映射到指定的范围,用于去除不同维度放入量纲以及量纲单位。
常见的映射范围有 [ 0, -1 ] 和 [ -1, 1],最常见的归一化方法就是 Min-Max 归一化:
2. 标准化(Normalization)
最常见的标准化方法:Z-Score 标准化。
其中μ是样本均值,σ是样本数据的标准差。
上图则是一个散点序列的标准化过程:原图 -> 减去均值 -> 除以标准差。
显而易见,变成了一个均值为 0 ,方差为 1 的分布,下图通过 Cost 函数让我们更好的理解标准化的作用。
机器学习的目标无非就是不断优化损失函数,使其值最小。在上图中,J (w, b) 就是我们要优化的目标函数。
我们不难看出,标准化后可以更加容易地得出最优参数 w 和 b 以及计算出 J (w, b) 的最小值,从而达到加速收敛的效果。
注:上图来源于 Andrew Ng 的课程讲义
3. 正则化(Regularization)
正则化主要用于避免过拟合的产生和减少网络误差。
正则化一般具有如下形式:
其中,第1项是经验风险,第2项是正则项,λ>=0 为调整两者之间关系的系数。
第1项是经验风险较小的模型可能较复杂(有多个非零参数),这时,第2项的模型度会较好。
常见的正则项有L1正则和L2正则,其中L2正则的控制过拟合的效果比L1正则的好。
正则化的作用是选择经验风险与模型复杂度同时较小的模型。
L
p
L_p
Lp范数:
L
p
L_p
Lp正则的L是指
L
p
L_p
Lp范数,其定义是:
在机器学习中,若使用了
∣
∣
w
∣
∣
p
||w||_p
∣∣w∣∣p作为正则项,我们则说该机器学习引入了
L
p
L_p
Lp正则项。
![](https://img-blog.csdnimg.cn/20200409181420783.png)
L1 正则 Lasso regularizer
- 凸函数,不是处处可微
- 得到的是稀疏解(最优解常出现在顶点上,且顶点上的w只有很少的元素是非零的)
L2 正则 Ridge Regularizer / Weight Decay
- 凸函数,处处可微
- 易于优化