过拟合问题
欠拟合和过拟合
两种情况都会导致不准确,中间这种情况会相对准确一点。
如果我们有太多的特征,会拟合的很好,但是可能不能识别新的数据
- 减少特征的数量
- 正则化:保留所有的特征,但减少magnitude/values(权重)
代价函数
使theta3, theta4更小,则theta3, theta4更趋近0才更满足要求,即加入惩罚
theta3, theta4更趋近0,相当于简化模型,函数更平滑更简单
cost函数(约定俗称 从j=1开始)
λ是正则化参数,后边那一堆的作用就是,降低不重要参数的权重,使曲线趋近平缓,由蓝色到红色。
线性回归的正则化
梯度下降优化
因为只对theta_J求导,所以后边增加的那块就不加求和符号了。
每次迭代时,theta_J乘一个比1略小的数,参数缩小一点,其他一样。
正则化优化
增加的矩阵是(n+1)*(n+1),即1的个数是n个