正则化（一）

1.过拟合的问题

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。

下图是一个回归问题的例子：

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：

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。

问题是，如果我们发现了过拟合问题，应该如何处理？

1. 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 ）

2. 正则化。保留所有的特征，但是减少参数的大小（ magnitude ）。

2 .代价函数

上面的回归问题中如果我们的模型是：

我们可以从之前的事例中看出，正是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这些参数θ的值，这就是正则化的基本方法。我

们决定要减少 θ 3 和 θ 4 的大小，我们要做的便是修改代价函数，在其中 θ 3 和 θ 4 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 θ 3 和 θ4。修改后的代价函数如下：

通过这样的代价函数选择出的 θ 3 和 θ 4 对预测结果的影响就比之前要小许多。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（ RegularizationParameter ）。注：根据惯例，我们不对 θ 0 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

也就是上图中红色直线所示的情况，造成欠拟合。 

那为什么增加的一项 可以使θ的值减小呢？

因为如果我们令λ的值很大的话，为了使 Cost Function 尽可能的小，所有的θ的值（不

包括θ0）都会在一定程度上减小。

但若λ的值太大了，那么θ（不包括θ0）都会趋近于 0 ，这样我们所得到的只能是一条

平行于 x 轴的直线。 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