正则化
来源:互联网 发布:距离矩阵 聚类分析 编辑:程序博客网 时间:2024/05/29 13:03
正则化
正则化一般的形式如下
正则化项一般是模型复杂度的单调递增函数。当模型越复杂的时正则化项越大,而当模型越复杂的时候就越容易产生过拟合。因此我们不仅要最小化损失函数,同时还要减小模型的复杂度。
防止过拟合,提高泛化能力。
上式中
正则化项可以对应于贝叶斯先验概率,简单的模型先验概率比较高,复杂的模型概率比较小。
有两种方式可以表示正则化项
两者都可以表示模型的复杂度,但两者的作用却不一样
- 对于 L1范数,参数更趋向于等于0,学习得到的参数更加稀疏,具有特征选择的作用
- 对于L2范数,每个参数都比较均衡,非0参数比较多,得到的参数更加平滑
总结:
- 减小模型的复杂度,提高模型的泛化能力
- 相当于权值的先验概率
- 减小特征值,对应于模型复杂度减小
- 减小参数空间
0 0
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- 正则化
- CSS3 过渡 2D变形 3D变形
- Servlet之间跳转
- nginx+iis实现负载均衡
- 求素数
- C# Attribute 特性 的用处举例
- 正则化
- hadoop 启动指令
- SQL Server创建索引
- Tomcat 7.0后 设置应用管理(Tomcat Manager )的账号密码
- matlab如何绘制三维曲面图
- 采购节约成本。
- Linux 下vsftpd配置虚拟用户并为其划分工作根目录
- Java GrerorianCalendar 实现日历查询
- eclipse 中同时对多行代码进行编辑