- 过拟合问题
如果我们有非常多的特征,我们通过学习得到的假设可能能够非常好地适应训练集(代价函数可能几乎为0),但是可能会不能推广到新的数据。
第一个模型是一个线性模型,欠拟合,不能很好地适应我们的训练集;第三个模型是一个四次方的模型,过于强调拟合原始数据,而丢失了算法的本质:预测新数据。我们可以看出,若给出一个新的值使之预测,它将表现的很差,是过拟合,虽然能非常好地适应我们的训练集但在新输入变量进行预测时可能会效果不好;而中间的模型似乎最合适。
分类问题中也存在这样的问题,欠拟合和过拟合。就以多项式理解,x的次数越高,拟合的越好,但相应的预测的能力就可能变差。
过拟合问题的解决方法:
- 丢弃一些不能帮助我们正确预测的特征。可以是手工选择保留哪些特征,或者使用一些模型选择的算法来帮忙(例如PCA)
- 正则化。 保留所有的特征,但是减少参数的大小(magnitude)。
- 代价函数
那些高次项导致了过拟合的产生,所以如果我们能让这些高次项的系数接近于0的话,我们就能很好的拟合了。 所以我们要做的就是在一定程度上减小高次项的参数的值,这就是正则化的基本方法。
我们要做的便是修改代价函数,在θ3和θ4中设置一点惩罚。这样做的话,我们在尝试最小化代价时也需要将这个惩罚纳入考虑中,并最终导致选择较小一些的θ3和θ4。 修改后的代价函数如上图,要想使代价函数最小,那么θ3和θ4尽量要接近零。假如我们有非常多的特征,我们并不知道其中哪些特征我们要惩罚,我们将对所有的特征进行惩罚,并且让代价函数最优化的软件来选择这些惩罚的程度。这样的结果是得到了一个较为简单的能防止过拟合问题的假设。
其中λ又称为正则化参数(Regularization Parameter)。 注:根据惯例,我们不对θ0进行惩罚。经过正则化处理的模型与原模型的可能对比如下图所示。
如果选择的正则化参数λ过大,则会把所有的参数都最小化了,导致模型变成hΘ(x)= θ0,也就是一条平行于x轴的直线,造成欠拟合。 所以对于正则化,我们要取一个合理的λ的值,这样才能更好的应用正则化。
- 正则化线性回归
对于线性回归的求解,我们之前推导了两种学习算法:一种基于梯度下降,一种基于正规方程。正则化线性回归的代价函数为:
更新参数的规则如下改变,可以看出,正则化线性回归的梯度下降算法的变化在于,每次都在原有算法更新规则的基础上令θ的值减少了一个额外的值。
我们同样也可以利用正规方程来求解正则化线性回归模型,方法如下所示:
- 正则化的逻辑回归模型
针对逻辑回归问题,有两种优化算法:首先学习了使用梯度下降法来优化代价函数,接下来学习了更高级的优化算法,这些高级优化算法需要你自己设计代价函数J(θ)。 我们也给代价函数增加一个正则化的表达式,得到代价函数:
其中 与线性回归不同,θ0不参与其中任何一个正则化。更新式子进行调整可得:
高级优化算法需要你自己设计代价函数,加入正则化,代码如下: