深入理解L1,L2正则化

概念

正则化(Regularization) 是机器学习中对原始损失函数引入额外信息,以便防止过拟合和提高模型泛化性能的一类方法的统称。正则化是在经验风险上面加了一个正则化项或者惩罚项,正则化函数一般是模型法则度的单调增函数,模型越负责,正则化值就越大.

正则化的一般形式:

\min_{f \in F} \frac{1}{N} \sum^N_{i=1} L(y_i, f(x_i)) + \lambda J(f)

第一项是经验风险,第二项就是正则化项,\lambda \ge 0 为调整两者之间的关系.

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正则化的模型叫做Lasso回归,使用L2正则化的模型叫做Ridge回归(岭回归)

线性回归L1正则化损失函数:

\min_w [\sum_{i=1}^{N}(w^Tx_i - y_i)^2 + \lambda \|w\|_1 ]........(1)

线性回归L2正则化损失函数:

\min_w[\sum_{i=1}^{N}(w^Tx_i - y_i)^2 + \lambda\|w\|_2^2] ........(2)

可以看到正则化项是对系数做了限制。L1正则化和L2正则化的说明如下:

  • L1正则化是指权值向量w中各个元素的绝对值之和,通常表示为∥w∥^1
  • L2正则化是指权值向量w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∥w∥^2_2
  • 一般都会在正则化项之前添加一个系数λ

未完待续....


标 题:《深入理解L1,L2正则化
作 者:zeekling
描 述:梅干菜你个小酥饼哦。
转载请注明文章转载自个人博客:小令童鞋

评论

取消