机器学习——L1和L2正则化

正则化（Regularization）

训练机器学习模型的要点之一是避免过拟合。如果发生过拟合，模型的精确度会下降。这是由于模型过度尝试捕获训练数据集的噪声。噪声，是指那些不能代表数据真实特性的数据点，它们的生成是随机的。学习和捕捉这些数据点让你的模型复杂度增大，有过拟合的风险。

正则化是一种回归的形式，它将系数估计（coefficient estimate）朝零的方向进行约束、调整或缩小。也就是说，正则化可以在学习过程中降低模型复杂度和不稳定程度，从而避免过拟合的危险。

一个简单的线性回归关系如下式。其中 Y 代表学习关系，β 代表对不同变量或预测因子 X 的系数估计。

Y ≈ β0 + β1X1 + β2X2 + …+ βpXp

拟合过程涉及损失函数，称为残差平方和（RSS）。系数选择要使得它们能最小化损失函数。

这个式子可以根据你的训练数据调整系数。但如果训练数据中存在噪声，则估计的系数就不能很好地泛化到未来数据中。这正是正则化要解决的问题，它能将学习后的参数估计朝零缩小调整。

---

机器学习中几乎都可以看到损失函数后面会添加一个额外项，常用的额外项一般有两种，一般英文称作 L1-norm 和 L2-norm，中文称作 L1正则化 和 L2正则化，或者 L1范数 和 L2范数。

L0范数是指向量中非0元素的个数

L1正则化和L2正则化可以看做是损失函数的惩罚项。

所谓『惩罚』是指对损失函数中的某些参数做一些限制。对于线性回归模型，使用L1正则化的模型建叫做Lasso回归，使用L2正则化的模型叫做Ridge回归（岭回归）。

下图是Python中Lasso回归的损失函数，式中加号后面一项即为L1正则化项。

下图是Python中Ridge回归的损失函数，式中加号后面一项即为L2正则化项。

一般回归分析中回归ω表示特征的系数，从上式可以看到正则化项是对系数做了处理（限制）。

L1正则化和L2正则化的说明如下：

• L1正则化是指权值向量ω中各个元素的绝对值之和，通常表示为
• L2正则化是指权值向量ω中各个元素的平方和然后再求平方根（可以看到Ridge回归的L2正则化项有平方符号），通常表示为

一般都会在正则化项之前添加一个系数，Python中用α表示，一些文章也用λ表示。这个系数需要用户指定。

那添加L1和L2正则化有什么用？下面是L1正则化和L2正则化的作用，这些表述可以在很多文章中找到。

• L1正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择
• L2正则化可以防止模型过拟合（overfitting）；一定程度上，L1也可以防止过拟合

---

L1和L2正则化的直观理解

稀疏模型与特征选择

上面提到L1正则化有助于生成一个稀疏权值矩阵，进而可以用于特征选择。为什么要生成一个稀疏矩阵？

稀疏矩阵指的是很多元素为0，只有少数元素是非零值的矩阵，即得到的线性回归模型的大部分系数都是0. 通常机器学习中特征数量很多，例如文本处理时，如果将一个词组（term）作为一个特征，那么特征数量会达到上万个（bigram）。在预测或分类时，那么多特征显然难以选择，但是如果代入这些特征得到的模型是一个稀疏模型，表示只有少数特征对这个模型有贡献，绝大部分特征是没有贡献的，或者贡献微小（因为它们前面的系数是0或者是很小的值，即使去掉对模型也没有什么影响），此时我们就可以只关注系数是非零值的特征。这就是稀疏模型与特征选择的关系。

为什么L1正则化可以产生稀疏模型（L1是怎么让系数等于零的）

假设有如下带L1正则化的损失函数：

其中是原始的损失函数，加号后面的一项是L1正则化项，α 是正则化系数。

注意到L1正则化是权值的绝对值之和，J 是带有绝对值符号的函数，因此J 是不完全可微的。

机器学习的任务就是要通过一些方法（比如梯度下降）求出损失函数的最小值。当我们在原始损失函数J0后添加L1正则化项时，相当于对J0做了一个约束。

此时我们的任务变成在L约束下求出取最小值的解。考虑二维的情况，即只有两个权值ω1和ω2，此时 对于梯度下降法，求解的过程可以画出等值线，同时L1正则化的函数L也可以在ω1ω2二维平面上画出来，如图，

图1 L1正则化

图中等值线是的等值线，黑色方形是L函数的图形，在图中，J0等值线和L图形首次相交的地方就是最优解。上图中J0与L在L的一个顶点处相交，这个顶点就是最优解。注意到，这个顶点值。可以直观想象，因为L 函数有很多『突出的角』（二维情况下四个，多维情况下更多），J0  与这些角接触的机率会远大于与L 其它部位接触的机率，而在这些角上，会有很多权值等于0，这就是为什么L1正则化可以产生稀疏模型，进而可以用于特征选择。

而正则化前面的系数α，可以控制L图形的大小。α越小，L图形越大；α越大，L图形越小，可以小到黑色方框只超出原点范围一点点，这是最优点的值中的ω可以取到很小的值。

 

L2正则化和过拟合

假设有如下带L2正则化的损失函数：

同样可以画出他们在二维平面上的图形，如下：

图2 L2正则化

二维平面下L2正则化的函数图形是个圆，与方形相比，被磨去了棱角。因此J0与L相交时，使得ω1或者ω2等于零的几率小了很多，这就是为什么L2正则化不具有稀疏性的原因。

 

拟合过程中通常都倾向于让权值尽可能小，最后构造一个所有参数都比较小的模型。因为一般认为参数值小的模型比较简单，能适应不同的数据集，也在一定程度上避免了过拟合现象。可以设想一下对于一个线性回归方程，若参数很大，那么只要数据偏移一点点，就会对结果造成很大的影响；但如果参数足够小，数据偏移得多一点也不会对结果造成什么影响，专业一点的说法是『抗扰动能力强』。

那为什么L2正则化可以获得值很小的参数？

以线性回归中的梯度下降法为例。假设要求的参数为θ，是我们的假设函数。线性回归一般使用平方差损失函数。单个样本的平方差是，如果考虑所有样本，损失函数是对每个样本的平方差求和，假设有m个样本，线性回归的代价函数如下，为了后续处理方便，乘以一个常数：

在梯度下降算法中，需要先对参数求导，得到梯度。梯度本身是上升最快的方向，为了让损失尽可能小，沿梯度的负方向更新参数即可。

对于单个样本，先对某个参数θj求导：

注意到的表达式是，单个样本对某个参数θj求导，最终(3.1)式结果如下：                        

在考虑所有样本的情况，将每个样本对θj的导数求和即可，得到下式：

梯度下降算法中，为了尽快收敛，会沿梯度的负方向更新参数，因此在(3.3)式前添加一个负号，并乘以一个系数α（即学习率），得到最终用于迭代计算参数θj的形式：

其中α是learning rate. 上式是没有添加L2正则化项的迭代公式，如果在原始代价函数之后添加L2正则化，则迭代公式会变成下面的样子：

其中λ就是正则化参数。从上式可以看到，与未添加L2正则化的迭代公式相比，每一次迭代，θj都要先乘以一个小于1的因子，从而使得θj不断减小，因此总得来看，θ是不断减小的。

最开始也提到L1正则化一定程度上也可以防止过拟合。之前做了解释，当L1的正则化系数很小时，得到的最优解会很小，可以达到和L2正则化类似的效果。

 

正则化参数的选择

L1正则化参数

通常越大的λ 可以让代价函数在参数为0时取到最小值。下面是一个简单的例子，假设有如下带L1正则化项的代价函数：

其中x是要估计的参数，相当于上文中提到的ω和θ。注意到L1正则化在某些位置是不可导的，当λ 足够大时可以使得F(x)在x=0时取到最小值。如下图：

L2正则化参数

从公式5可以看到，λ越大，θj 衰减得越快。另一个理解可以参考图2，λ 越大，L2圆的半径越小，最后求得代价函数最值时各参数也会变得很小。
 

参考https://blog.csdn.net/jinping_shi/article/details/52433975

https://www.jiqizhixin.com/articles/2017-11-23-4

这个讲的很好 https://hit-scir.gitbooks.io/neural-networks-and-deep-learning-zh_cn/content/chap3/c3s5ss2.html