假设我们考虑一个最简单的线性模型,我们比较两个估计结果:(1) 最小二乘估计(2) 岭估计其中(2)中的第二项即可看成一个正则项。那么我们如何说明加入了这个正则项后,相较于来说,确实避免了过拟合呢?因为从数学上可以证明,,注意这里的小于是严格的小于。这里的证明是要用到矩阵范数和向量范数的相容性。这个性质本身告诉了我们这样一个及其重要的本质:加入正则项后,估计出的(向量)参数的长度变短了(数学上称为shrinkage)。换句话说,长度变短了就意味着,向量中的某些分量在总体程度上比的分量变小了。极端来说,向量中的某些分量可能(因为也可能是因为每个分量都变小一点点最后造成整体长度变小)被压缩到了0。虽然这里其实还没有完整说明我们实现了避免过拟合,但至少从某种程度上说,加入正则项和的参数估计是符合我们之前的预定目标的,即用尽量少的变量去拟合数据。
领取专属 10元无门槛券
私享最新 技术干货