正则化其实就是给目标函数增加一个惩罚项,使得模型更倾向于使用更加简单的模型,以防止过拟合。
正则化是机器学习中一个防止过拟合的一个重要手段通常,过拟合一个显著地表现是能够很好地拟合当前的数据,但是泛化能力不强。首先假设模型学到了多项式:
PS: L2 norm在回归问题中称作岭回归(Ridge Regression)或权值衰减(Weight-decay) L1 norm称作LASSO(Least Absolute Shrinkage and Selection Operator)
L1L_1正则化项和L2L_2正则化项都有助于降低过拟合的风险,但是L1L_1正则化项更适合作稀疏化,即得到更少的ww为非零的解。 正则化其实就是给目标函数增加一个惩罚项,使得模型更倾向于使用低维的模型,以防止过拟合。 一种贝叶斯角度理解正则,加了先验知识就相当于一种正则,可以做到防止过拟合(如我们抛硬币十次但只有一次正面,加了先验知识之后,如果使用贝叶斯估计的话,参数估计的结果会朝着先验的方向矫正,具体具体可参考Parameter estimation for text analysis. Gregor Heinrich.):L1L_1正则化项为先验为拉普拉斯分布,L2L_2正则化项先验为高斯分布,将其分别取对数之后分别留下了绝对值项和平方项。领关于L1的稀疏性以及其它的一些问题,可见知乎问题l1 相比于 l2 为什么容易获得稀疏解?。
特征选择通常有三种方法,即过滤式选择(Filter)、包裹式选择(Wrapper)和嵌入式选择(Embedded),而本文介绍的L1正则化和L2正则化是属于第三种,即在模型训练的时候同时做特征选择。
如有纰漏,欢迎指正。
参考资料: 1. 周志华《机器学习》ch. 11.4 2. 林轩田. 机器学习基石课程 Lecture 14