原书出处
深度学习
07 第7章 深度学习中的正则化
用于特征选择 (feature selection)机制。特征选择从可用的特征子集选择出有意义的特征,化简机器学习问题。
著名的LASSO(Tibshirani,1995)(Least Absolute Shrinkage and Selection Operator)模型将L 1 惩罚和线性模型结合,并使用最小二乘代价函数。L 1 惩罚使部分子集的权重为零,表明相应的特征可以被安全地忽略。
在第5.6.1节,我们看到许多正则化策略可以被解释为MAP贝叶斯推断,特别是L 2 正则化相当于权重是高斯先验的MAP
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/深度学习/_epub-src/text/part0002.html
EPUB SHA-256:30b05f447b47f121324499dd200696e34be257d5cd4c4b753541b42f40a94639