← 返回卡片

原书出处

深度学习

07 第7章 深度学习中的正则化

核验版本的摘录快照 · 导入于 2026-11-19T07:27:03.629Z

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

此预览只包含定位所需的摘录和上下文。

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