知识卡片
近端梯度等于逐坐标软阈值
先对光滑损失走一步得到 z=x−∇f(x)/L,再平衡离 z 的平方距离与 L1 代价。每个坐标独立,解的大小为 max(|zᵢ|−λ/L,0),符号保留。L 若是梯度的 Lipschitz 上界,这个二次模型还能控制步长。
软阈值给出了[[L1惩罚允许精确零系数]]的数值更新机制。
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11章 特征选择与稀疏学习 · 查看原书依据
首先注意优化目标式和式(11.7) LASSO回归的联系和区别,本式中的对应到式(11.7)的,即我们优化的目标.再解释下什么是条件:根据维基百科的定义,它是一个比“连续”更强的光滑性条件.直觉上,利普希茨连续函数限制了
参考来源
- 位置:《机器学习公式详解》第11章 特征选择与稀疏学习(book-source:`extracted/机器学习公式详解/_epub-src/text/part0017.html`,式(11.10))
- 结论依据:式(11.10)至(11.14)将光滑项的局部二次近似与不可微惩罚分开。
- 原始内容:首先注意优化目标式和式(11.7) LASSO回归的联系和区别,本式中的对应到式(11.7)的,即我们优化的目标.再解释下什么是条件:根据维基百科的定义,它是一个比“连续”更强的光滑性条件.直觉上,利普希茨连续函数限制了