正则化解决过拟合问题
发布时间：2020-12-14 01:10:46 所属栏目：百科 来源：网络整理
导读：关于正则化，以下引自李航博士《统计学习方法》1.5节关于正则化的一些描述： 模型选择的典型方法是正则化。正则化是结构风险最小化策略的实现，是在经验风险上加一个正则化项(regularizer)或罚项(penalty term)。正则化项一般是模型复杂度的单调递增函数，模
|
关于正则化，以下引自李航博士《统计学习方法》1.5节关于正则化的一些描述： 模型选择的典型方法是正则化。正则化是结构风险最小化策略的实现，是在经验风险上加一个正则化项(regularizer)或罚项(penalty term)。正则化项一般是模型复杂度的单调递增函数，模型越复杂，正则化值就越大。比如，正则化项可以是模型参数向量的范数。正则化符合奥卡姆剃刀(Occam's razor)原理。奥卡姆剃刀原理应用于模型选择时变为以下想法：在所有可能选择的模型中，能够很好地解释已知数据并且十分简单才是最好的模型，也就是应该选择的模型。从贝叶斯估计的角度来看，正则化项对应于模型的先验概率。可以假设复杂的模型有较大的先验概率，简单的模型有较小的先验概率。 为了解决过拟合问题，通常有两种办法，第一是减少样本的特征（即维度），第二就是我们这里要说的”正则化“（又称为”惩罚“,penalty）。 正则化的一般形式是在整个平均损失函数后增加一个正则项(L2范数正则化，也有其他形式的正则化，他们的作用也不同)： 什么情况下出现过拟合： 当你拟合的函数中，一些特征权重阶数越高时，过度拟合的情况越有可能发生，反之阶数越小，过拟合发生概率越小，甚至会欠拟合。 比如有三个拟合函数： a0+a1x1+ a2x2 a0+a1x1+ a2x2+ a3x12+ a4x22 a0+a1x1+ a2x2+ a3x12+ a4x22+ a5x13+ a6x23 则最后这个过拟合的可能最高。 正则化：特征全部保留，但特征系数进行最小优化。 设一般情况下的成本函数为costFucntion(a,x,y) 为了时特征系数减小，以使axj变小，新的成本函数为 costFunction_reg(a,y) = costFunction(a,y) + sum(aj2) 我们将这种处理叫做正则化 新增的正则化项为 a02+ a12+ ... + an2,惯例上不要a02这项（他是1的系数），但即使加上效果影响不大。
成本函数：costFunction(a,X,y) = 1/2m *sum((h(a,X)-y).^2)， 其中h(a,X)=Xa; 正则化后：costFunctionReg(a,y) =costFunction(a,y)+lambda*sum(aj2) 梯度下降法：aj= aj- 1/m *alpha * ( h(a,X)-y ) * Xj 正则化后：aj= aj- 1/m *alpha * ( h(a,X)-y ) * Xj-1/m * alpha * lambda* aj 正规方程组解法 a =(XT*X)-1*XT*y 正则化后：a =(XT*X- lambda * I)-1*XT*y logistic分类问题过拟合解决 （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |