E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
luky_yu
吴恩达机器学习笔记四之正则化
机器学习
机器学习
正则化
过拟合
代价函数
回归
本节目录
过拟合
代价函数
正则化线性回归
正则化逻辑回归
1 过拟合问题
正则化技术可以改善过拟合问题。
第一个模型是一个线性模型,欠拟合,不能很好地适应我们的训练集;第三个模型是一
个四次方的模型,过于强调拟合原始数据,而丢失了算法的本质:预测新数据。我们可以看
出,若给出一个新的值使之预测,它将表现的很差,是过拟合,虽然能非常好地适应我们的
训练集但在新输入变量进行预测时可能会效果不好;而中间的模型似乎最合适。
那我们应该如何处理过拟合呢?
1.丢弃一些不能帮助我们正确预测的特征。可以是手工选择保留哪些特征,或者使用一
些模型选择的算法来帮忙(例如 PCA)
2.正则化。 保留所有的特征,但是减少参数的大小(magnitude)。
2 代价函数
防止过拟合问题的假设:
注:根据惯例,我们不对0 进行惩罚。经过正则化处理的模型与原模型的可能对比如下图所示:
如果选择的正则化参数 λ 过大,则会把所有的参数都最小化了,导致模型变成 ℎ() = 0,也就是上图中红色直线所示的情况,造成欠拟合。
那为什么增加的一项 = ∑ 2 =1 可以使的值减小呢?
因为如果我们令 的值很大的话,为了使 Cost Function 尽可能的小,所有的 的值
(不包括0)都会在一定程度上减小。
但若 λ 的值太大了,那么(不包括0)都会趋近于 0,这样我们所得到的只能是一条
平行于轴的直线。
所以对于正则化,我们要取一个合理的 的值,这样才能更好的应用正则化。
3 正则化线性回归
对于线性回归的求解,我们之前推导了两种学习算法:一种基于梯度下降,一种基于正
规方程。
正则化线性回归的代价函数为:
如果我们要使用梯度下降法令这个代价函数最小化,因为我们未对进行正则化,所以梯
度下降算法将分两种情形:
4 正则化的逻辑回归模型
我们首先学习了使用梯度下降法来优化代价函数(),接下来学习了更高级的优化算法,这些高级优化算法需要你自己设计代价函数()。