正则化的基础理论知识初步总结

在数学上,我们将满足以下性质的数学模型的物理现象:

  1. 解存在
  2. 解唯一
  3. 解连续依赖于初始边界条件(the solution’s behavior changes continuously with the initial conditions)

称适定问题。只要其中一个条件不满足,则称为不适定问题[1]

 

在数学、统计和计算机科学尤其是在机器学习和反演问题中,正则化通过引入额外的信息去解决不适定问题或者防止过拟合。

 

Tikhonov Regularization

Tikhonov正则化方法由Andrey Tikhonov命名,最常用来进行不适定问题的正则化。在统计学中,这种方法称为“岭回归”,在机器学习领域,被称为“weight decay”。在更多的独立研究中,同样称为Tikhonov-Miller方法、Phillips-Twomey方法、约束线性反演方法和线性正则化方法。Tikhonov正则化方法与非线性最小二乘问题的Levenberg-marquardt算法紧密相关的。

假设一个已知的矩阵A和向量b,我们希望求得一个向量x,如下表示:

Ax=b

求解x的标准方法为线性回归经典最小二乘。但是,如果没有x满足该等式或者不止一组x满足,这就意味着解不唯一,即该问题称为不适定问题(ill-posed problems)。像这样的案例中,经典最小二乘估计值会导致过拟合或者获得方程的欠定解。很多的现实世界中的现象都具有正向低通滤波的效果,其中x通过A映射到b。因此,在求解反演问题时,反演问题的解决方法就存在类似高通滤波器放大噪声的趋势(特征值/奇异值在反向映射中值很大而在正向映射中值很小)。经典最小二乘的方法的基本原理是:残差平方和最小,因此可表示为如下形式:

为了获得具有理想性质的特解,可以在此最小化中包含了正则化项:

在很多的案例中,直接将Tikhonov矩阵Γ作为一个确定的矩阵(Γ=αI),这可以获得一个较小的范数解,这是著名的L2正则化。这种正则化改进了问题的条件,从而获得直接的数值解。这种解的显示表达为:

这种正则化的结果最终受到矩阵Γ的影响。如果矩阵Γ=0的话,上述的正则化解就是经典最小二乘的解。

L2正则化方法除了在线性回归中使用外,也被应用与其他的领域:基于逻辑回归或支持向量机的分类和矩阵分解中。

Generalized Tikhonov regularization

对于x和数据误差的多元正态分布,可以通过应用变量转化使误差减小。同样地,可以获得以下x的最小目标方程:

其中,表示含权范数(Mahalanobis distance)。基于贝叶斯解释,P是b的协方差矩阵的逆阵,x0是x的期望值,Q是x的协方差矩阵的逆阵。Tikhonov矩阵的因式分解式为:(Cholesky 分解)并且认为其为白化滤波器。

       这种广义问题的最优化解可以显示地表示为:

或者等价为:

 

Relation to singular-value decomposition and Wiener filter

       当Γ=αI时,可以使用奇异值分解对最小二乘解进行分析。则Tikhonov正则化解可以奇异值分解为以下形式:

其中,D是一个对角阵:

最后,其维纳滤波器(Wiener Filter)的相关表达式为:

其中,表示为维纳权重,q为A矩阵的秩。

 

Determination of the Tikhonov factor

正则化参数a通常是未知的,经常需要根据实际问题使用特殊的方法进行确定。一种可能的方法依赖于下面描绘的贝叶斯解释(Bayesian interpretation)。其他的方法包含:偏差原理(discrepancy Principle)、交叉验证(cross-validation)、L曲线法(L_Curve Method)、限制性最大似然估计(restricted maximum likelihood)和无偏预测风险估计(Unbiased predictive risk estimator)。Grace Wahba证明了这种最优参数,去一法交叉验证最小(leave-one-out cross-validation):

其中RSS表示残差平方和,t表示自由度。

       使用之前的SVD方法,我们可以讲话上述的表达式:

文章 参考:

https://en.wikipedia.org/wiki/Regularization_(mathemfanyanwenatics)

https://en.wikipedia.org/wiki/Tikhonov_regularization

https://en.wikipedia.org/wiki/Well-posed_problem

  • 4
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 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
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