线性回归与非线性回归：1.7 过拟合正则化

最新推荐文章于 2023-11-15 22:03:27 发布

zy_小轩

最新推荐文章于 2023-11-15 22:03:27 发布

阅读量563

点赞数

分类专栏：机器学习基础

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/zy_505775013/article/details/88745713

版权

机器学习基础专栏收录该内容

17 篇文章 1 订阅

订阅专栏

过拟合
在训练集中训练很好，但使用测试集的时候，结果不是很好。
回归中的拟合
分类中的拟合
防止过拟合
1.减少特征
2.增加数据量
3.正则化（regularized）
正则化代价函数：

L2正则化： $J(\theta)=\frac{1}{2m}[ \sum^m_{i=1}(h_\theta(x_i)-y_i)^2+\lambda \sum^n_{j=1}\theta^2_j]$

L1正则化： $\bg_white J(\theta)=\frac{1}{2m}[ \sum^m_{i=1}(h_\theta(x_i)-y_i)^2+\lambda \sum^n_{j=1}\left | \theta_j \right |]$

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
线性回归与非线性回归：1.7 过拟合正则化

过拟合在训练集中训练很好，但使用测试集的时候，结果不是很好。回归中的拟合分类中的拟合防止过拟合 1.减少特征 2.增加数据量 3.正则化（regularized）正则化代价函数： L2正则化： L1正则化：...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。