贝叶斯观点看曲线拟合

曲线拟合问题的目标是 根据给定的数据集(x,y)预测未知数据x的y,其本身可以归结为最小化误差函数问题。以概率的观点考察曲线拟合,可以更加深刻地理解误差函数以及正则化。我们看曲线拟合的最小二乘解 。如果样本维数很高,或者样本数目不够多,那么是不可逆的,就会造成过拟合。一般来说,为了减少过拟合,我们可以增加数据量,对数据进行降维,或者是使用正则化来对w进行约束。使用正则化方法,则lo...
摘要由CSDN通过智能技术生成

曲线拟合问题的目标是 根据给定的数据集(x,y)预测未知数据x的y,其本身可以归结为最小化误差函数问题。以概率的观点考察曲线拟合,可以更加深刻地理解误差函数以及正则化。

我们看曲线拟合的最小二乘解  W = (X^{T}X)^{-1}X^{T}Y  。如果样本维数很高,或者样本数目不够多,那么X^{T}X是不可逆的,就会造成过拟合。一般来 说,为了减少过拟合,我们可以增加数据量,对数据进行降维,或者是使用正则化来对w进行约束。

使用正则化方法,则loss function 就会变成  L(w) + \lambda p(W)。 常用的正则化有两种,L1(lasso)或者L2(ridge,岭回归,权重衰减)。 以L2 为例,   

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

xieshangxin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值