读“机器学习中的范数规则化之(一)L0、L1与L2范数”笔记
2015-10-08 20:09
295 查看
项目中遇到范数正则化问题,今天拜读了邹晓艺大神的博文《机器学习中的范数规则化之(一)L0、L1与L2范数》,
1)其中L0、L1主要是用来特征选择,能够将含有信息量小的特征权重优化为0,从而降低特征的维度
2)L2主要是来防止过拟合(其实在实际工程中,有些反而需要我们去过拟合,比如广告的点击),此正则化偏向于将特征的权重都调整的比较小,分布相对比较均匀,而不是将特征权重调整为0。这样为什么能够防止过拟合呢,我们看下面的三种情形:
上图中最右边的图是过拟合,从过拟合的特点我们可以看出,其对于噪声点也过分的拟合,造成曲线不够平滑,L2则趋向于将权重调整的相对比较平均,我们知道在高次方程中,特别是高次项的系数,是造成曲线陡增(减)的主要因子,我们如果能够将系数调整的比较均匀,那么就能够避免这种过拟合现象的发生。
3)模型空间的限制:在此节中的两幅图能够很好的说明问题
实际上,对于L1和L2规则化的代价函数来说,我们可以写成以下形式:
也就是说,我们将模型空间限制在w的一个L1-ball 中。为了便于可视化,我们考虑两维的情况,在(w1, w2)平面上可以画出目标函数的等高线,而约束条件则成为平面上半径为C的一个 norm ball 。等高线与 norm ball 首次相交的地方就是最优解:
目标函数的等高线:等高线的表示的意义就是在Y值固定,差值B固定的条件下,使(y-w1*X1-w2*X2)^2=b成立的(w1, w2)的数对,而且圈越小则对应的B越小(椭圆方程的变形还比较容易理解),即是目标函数值越小,而约束条件即是下面的菱形或圆,那满足条件的最小值,自然就是两个图形相切的时候,参数C也是我们在模型训练的时候最重要的调节参数
1)其中L0、L1主要是用来特征选择,能够将含有信息量小的特征权重优化为0,从而降低特征的维度
2)L2主要是来防止过拟合(其实在实际工程中,有些反而需要我们去过拟合,比如广告的点击),此正则化偏向于将特征的权重都调整的比较小,分布相对比较均匀,而不是将特征权重调整为0。这样为什么能够防止过拟合呢,我们看下面的三种情形:
上图中最右边的图是过拟合,从过拟合的特点我们可以看出,其对于噪声点也过分的拟合,造成曲线不够平滑,L2则趋向于将权重调整的相对比较平均,我们知道在高次方程中,特别是高次项的系数,是造成曲线陡增(减)的主要因子,我们如果能够将系数调整的比较均匀,那么就能够避免这种过拟合现象的发生。
3)模型空间的限制:在此节中的两幅图能够很好的说明问题
实际上,对于L1和L2规则化的代价函数来说,我们可以写成以下形式:
也就是说,我们将模型空间限制在w的一个L1-ball 中。为了便于可视化,我们考虑两维的情况,在(w1, w2)平面上可以画出目标函数的等高线,而约束条件则成为平面上半径为C的一个 norm ball 。等高线与 norm ball 首次相交的地方就是最优解:
目标函数的等高线:等高线的表示的意义就是在Y值固定,差值B固定的条件下,使(y-w1*X1-w2*X2)^2=b成立的(w1, w2)的数对,而且圈越小则对应的B越小(椭圆方程的变形还比较容易理解),即是目标函数值越小,而约束条件即是下面的菱形或圆,那满足条件的最小值,自然就是两个图形相切的时候,参数C也是我们在模型训练的时候最重要的调节参数
相关文章推荐
- 我的十一Win10之旅
- Android Studio 把快捷键设置成Eclipse的方式
- 今日学习总结数组
- ZOJ 2319 Beautiful People (LIS的变形)
- java异常处理
- 寻找数字在旋转数组中的位置
- ios中block中的探究
- ThinkPHP 7.使用redis扩展
- UVA808 - Bee Breeding
- 插入排序之希尔排序
- auto_ptr浅析 http://www.cnblogs.com/qytan36/archive/2010/06/28/1766555.html
- poj 2018 斜率优化(最大平均值问题)
- 区间集的覆盖长度
- 2015国庆总结
- [数据挖掘课程笔记]SLIQ算法
- 判断一棵二叉树是否平衡二叉树
- C++复习:位运算
- 高并发网站架构设计方案
- 【leetcode】79. Word Search
- Dialog中有EditText无法弹出输入法解决方法