知识卡片
正则化给复杂度定价
既然过拟合源于模型复杂度超出了样本能支撑的程度,就在目标函数里加一项惩罚复杂度的量,变成”损失 + λ·正则项”,这套做法叫结构风险最小化。惩罚直接作用在参数上,常见三种:L0 数非零参数的个数,最贴合”稀疏”的本意,但不可导、难以优化;L1 取参数绝对值之和,几何上把最优解推向坐标轴,因此更容易得到稀疏解,可用于特征选择;L2 取参数平方和,把参数整体压小、让解更平滑,因而更能抑制过拟合。λ 是复杂度的标价:太小学不到正则的效果,太大则模型被压成欠拟合。选 L1 还是 L2,取决于要稀疏可解释,还是要稳定,两者也可以同时使用。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第2章 我们生活在一个寻求最优解的世界里 · 查看原书依据
所以,为了尽可能避免过拟合现象的出现,就要对模型的复杂度进行惩罚,这就是正则化,这是很常用的方法,其实就是对模型的参数进行惩罚。
参考来源
- 位置:《文本上的算法——深入浅出自然语言处理》第2章 我们生活在一个寻求最优解的世界里(源文件:extracted/文本上的算法——深入浅出自然语言处理/_epub-src/OEBPS/Text/00007.html)
- 结论依据:原文这一段直接给出本卡的核心判断:「所以,为了尽可能避免过拟合现象的出现,就要对模型的复杂度进行惩罚,这就是正则化,……」
- 原始内容:所以,为了尽可能避免过拟合现象的出现,就要对模型的复杂度进行惩罚,这就是正则化,这是很常用的方法,其实就是对模型的参数进行惩罚。