知识卡片
L1与L2正则
正则化就是在对数似然后面加一个惩罚项,逼模型别把权重调得过大:
L = −log L(w, b) + λ·R(w)
两种常见形式,效果不同:
| L2(岭) | L1(Lasso) | |
|---|---|---|
| 惩罚项 | (λ/2)·Σ w_j² | λ·Σ |w_j| |
| 效果 | 权重整体收缩,分布更平滑 | 部分权重被压到恰好 0 |
| 用途 | 抑制过拟合、缓解特征共线 | 顺带做特征选择,得到稀疏解 |
| 求解 | 处处可导,梯度法直接可用 | 零点不可导,需坐标下降等专门方法 |
为什么 L1 能产生稀疏解:它的等高线是菱形,带尖角,损失椭圆扩张时最容易先碰到坐标轴上——那一维权重就变成 0。L2 的等高线是圆,接触点一般不在轴上,所以权重只会变小不会归零。这条几何直觉比记结论有用。
scikit-learn 的接口用的是倒数:penalty='l2'(默认)或 'l1',C 是正则化强度的倒数,λ = 1/C。所以 C 越小,正则越强,模型越保守;C 很大相当于几乎不正则。调 C 就是在”拟合训练集”和”权重别太大”之间找平衡,通常按数量级在 0.001~100 之间网格搜索。
两个容易踩的坑:
- solver 兼容性。
sag、newton-cg、lbfgs只支持 L2;要用 L1 得换liblinear或saga。另外dual=True只在 L2 + liblinear 时存在。 - 先标准化再正则。惩罚项对所有 w_j 一视同仁,若特征量纲差几个数量级,量纲小的特征权重天然大、被罚得更狠,结果失真。这与树模型”不需要缩放”的结论正好相反,原因是这里对权重本身加了约束。
偏置 b 通常不参与正则,因为它只平移决策边界、不控制曲面陡峭程度,罚它没有抑制过拟合的意义。
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7章 Logistic回归 第7章 Logistic回归 · 查看原书依据
penalty:指定(对数)似然函数中加入的正则化项,默认为l2,表示添加L2正则化
参考来源
- 位置:《机器学习基础:从入门到求职》第7章《Logistic回归》(源文件:extracted/机器学习基础:从入门到求职/_epub-src/OEBPS/text00010.html)
- 结论依据:原文说明 penalty 指定加入对数似然的正则化项、默认 l2 也可选 l1,c 是惩罚项系数的倒数、c 越小正则化项越大,并指出 sag/newton-cg/lbfgs 仅适用于 l2。
- 原始内容:penalty:指定(对数)似然函数中加入的正则化项,默认为l2,表示添加L2正则化……c:指定正则化项的权重,是正则化项惩罚项系数的倒数,所以c越小,正则化项越大。