正則化類型:
- L1
- L2
- Elastic-net
L1正則化:
L1正則化的思想是將數據集簡化為僅會影響“目標變量”的最重要特徵。L1正則化會增加一個等於係數絕對值之和的懲罰。
![人工智能python tensorflow2.0教程8 正則化處理 持續更新](http://p2.ttnews.xyz/loading.gif)
L1
通過加上上述懲罰,特徵的某些係數變為0,其餘特徵將成為最有用的特徵。這種正則化方法可以看作是特徵選擇的方法。
L2(Ridge正則化):
L2正則化附加等於係數平方值之和的懲罰。
![人工智能python tensorflow2.0教程8 正則化處理 持續更新](http://p2.ttnews.xyz/loading.gif)
L2
等式中的λ是控制懲罰強度的超參數。
當λ→0時,結果類似於線性迴歸
當λ→∞時,所有特徵均減小為0。
施加懲罰後,係數不會急劇變化為0,而會緩慢減小為0。因此,與L1不同,L2無法用於特徵選擇。
在這兩種情況下
懲罰越大,係數就越小。
Elastic-net:
彈性網正則化是L1和L2正則化的組合。
L1L2
施加的懲罰(P)如下:
在這種情況下,λ是一個共享參數,用於設置L1和L2之間的比率。因此,結果將是L1和L2正則化的混合。正則化的幾何表示如下所示:
L1L2
閱讀更多 公子小悅 的文章