优化算法
L1正则化与稀疏性
稀疏性,说白了就是模型的很多参数是0。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。在实际应用中,机器学习模型的输入动辄几百上千万维,稀疏性就显得更加重要。下面我们来说说L1正则化使得模型参数具有稀疏性的原理。
角度一:解空间形状
在二维的情况下,黄色部分是L2和L1正则化约束后的解空间,绿色的等高线是凸优化问题中目标函数的等高线,见下图。由图可知,L2正则化约束后的解空间是圆形,而L1正则化约束的解空间是多边形。显然,多边形的解空间更容易在尖角处与等高线碰撞出稀疏解。
L2正则化相当于为参数定义了一个圆形的解空间,而L1正则化相当于为参数定义了一个菱形的解空间。如果原问题目标函数的最优解不是恰好落在解空间内,那么约束条件下的最优解一定是在解空间的边界上,而L2“棱角分明”的解空间显然更容易与目标函数等高线在角点碰撞,从而产生稀疏解。
角度二:函数叠加
第二个角度试图用更直观的图示来解释L1产生稀疏性这一现象。仅考虑一维情况,多维情况是类似的,如下图所示。假设棕线是原始目标函数 的曲线图,显然最小值点在蓝点处,且对应的 w ∗ w^* w∗ 值非0。