C2-1.4（L1,L2）正则化

C2-1.4（L1,L2）正则化

参考书籍

1 正则化的概念

• 正则化(Regularization) 是机器学习中对原始损失函数引入额外信息，以便防止过拟合和提高模型泛化性能的一类方法的统称。也就是目标函数变成了原始损失函数+额外项，常用的额外项一般有两种，中文称作L1正则化和L2正则化，或者L1范数和L2范数（实际是L2范数的平方）。
• L1正则化和L2正则化可以看做是损失函数的惩罚项。所谓惩罚是指对损失函数中的某些参数做一些限制。对于线性回归模型，使用L1正则化的模型叫做Lasso回归，使用L2正则化的模型叫做Ridge回归（岭回归）。
• 为什么只对W进行限制，而不对b进行限制呢？：
  • 答：b是一个常数，影响拟合曲线的上下位移

回到顶部

2 正则化的作用

• L1正则化可以使得参数稀疏化，即得到的参数是一个稀疏矩阵，可以用于特征选择。
  • 稀疏性，说白了就是模型的很多参数是0。通常机器学习中特征数量很多，例如文本处理时，如果将一个词组（term）作为一个特征，那么特征数量会达到上万个（bigram）。在预测或分类时，那么多特征显然难以选择，但是如果代入这些特征得到的模型是一个稀疏模型，很多参数是0，表示只有少数特征对这个模型有贡献，绝大部分特征是没有贡献的，即使去掉对模型也没有什么影响，此时我们就可以只关注系数是非零值的特征。这相当于对模型进行了一次特征选择，只留下一些比较重要的特征，提高模型的泛化能力，降低过拟合的可能。
• L2正则化可以防止模型过拟合（overfitting）；一定程度上，L1也可以防止过拟合。

3、L1、L2正则化的公式表示

（把λ 变成 λ/2m ）

4、对L1正则化 ，L2正则化 可视化理解

• 黑色阴影：表示的是 w1 w2的限制条件的范围（W1,W2必须符合在阴影内）
• 紫色阴影：表示损失函数，每一圈代表的是LOSS的等高线、
• 要求：
  • ①：W1,W2必须满足 <=Θ ，
  • 且 ②：Loss需要在满足①条件之下，LOSS损失函数值最小

结论： 最后的结果是交点W*是最后正则化后W的结果

5、正则化如何降低过拟合

首先来复习一下**“正则化”公式：**

为了防止过拟合，线性回归的代价函数被叠加了一个正则化部分。如下图：

• 情况一/极端一：λ特别大时：

如λ取1000时，损失函数的值受正则化影响，为了减小J（w,b）最终的值，就尽量减少 w值，导致 W1 ≈W2≈…≈0

最终 f(x) ≈ b。最终造成了 欠拟合

• 情况二/极端二：λ特别小时：

如λ取0时，损失函数的值就导致了不受正则化的影响，就变成了以前那样的函数。形成了过拟合情况。

• 取中间值时候：

4.1、如何选择合适的lanmbda呢？

• Step1：使用训练集训练出12个不同程度的正则化模型，每个\lambda一个；
• Step2：使用12个模型分别对交叉验证集计算出验证误差；
• Step3：得出交叉验证误差最小的那个模型；（比如这里给出的 λ = 5的情况）
• Step4：使用Step3中得到的模型计算测试集上的误差，看是否能够推广。

4.2、lambda和偏差/方差的关系曲线

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传