過(guò)擬合

摘要

過(guò)擬合的問(wèn)題在機(jī)器學(xué)習(xí)算法中很常見(jiàn)践图,在深度學(xué)習(xí)中更常見(jiàn)的是模型train不起來(lái),而不是過(guò)擬合菇曲,過(guò)擬合的處理方法可以是:降低模型復(fù)雜度冠绢,正則,dropout常潮,earlystop弟胀,數(shù)據(jù)增強(qiáng),交叉驗(yàn)證等喊式。

1孵户、正則

正則是防止過(guò)擬合的方法,分為L(zhǎng)1正則和L2正則

L1正則

argmin J(\theta)=\frac{1}{2}\sum_{i=1}^m (y_i - \omega^Tx_i)^2 + \lambda||\omega||_1

L2正則

argmin J(\theta)=\frac{1}{2}\sum_{i=1}^m (y_i - \omega^Tx_i)^2 + \lambda||\omega||_2^2

從結(jié)構(gòu)化風(fēng)險(xiǎn)最小化的角度來(lái)看岔留,L1和L2正則都是使得誤差最小化夏哭,同時(shí)模型越簡(jiǎn)單越好。
下圖中等高線為不帶正則的原函數(shù)L献联,我們之前目標(biāo)是找到最內(nèi)側(cè)的點(diǎn)竖配,這時(shí)誤差最小,但是加入了正則后里逆,變成了損失函數(shù)原函數(shù)與正則項(xiàng)的和进胯,此時(shí)再取最內(nèi)側(cè)的圓心處的點(diǎn)時(shí)誤差和可能會(huì)很大,因此最有可能的方案是取折中的位置原押,同時(shí)可以看出在登高線一圈的位置胁镐,只有與正則項(xiàng)相切時(shí),才能保證二者的和最小诸衔,所以損失函數(shù)的解盯漂,一定是菱形或者圓形與某條等高線的切點(diǎn)位置。


同時(shí)L1正則更容易相交于坐標(biāo)軸笨农,當(dāng)特征多維時(shí)一些特征將會(huì)使0宠能,所以會(huì)有稀疏的特性,即特征選擇磁餐;而L2正則會(huì)使得切點(diǎn)接近坐標(biāo)軸违崇,但不至于為0,因此得到的都是較小的平滑的值诊霹,具體為什么會(huì)相交于坐標(biāo)軸參見(jiàn)知乎羞延。

L1和L2的使用場(chǎng)景:如果單純的是想讓參數(shù)w變小的場(chǎng)景,建議優(yōu)先使用L2 Norm脾还,在已知參數(shù)存在很多0值的時(shí)候伴箩,即存在的解釋稀疏的,建議使用L1 Norm鄙漏,具有變量選擇的功能嗤谚;也可以L1和L2結(jié)合起來(lái)使用棺蛛,如果是線性回歸模型,同時(shí)加入了L1和L2正則巩步,模型就變成了Elastic Net旁赊;

不加正則時(shí)得到的參數(shù)\omega_1,加入正則得到的參數(shù)\omega_2椅野,則f(\omega_1)<=f(\omega_2)终畅,因?yàn)榧尤胝齽t后意味著參數(shù)空間變小,能得到最優(yōu)解的概率降低竟闪,擬合程度變差离福,多以Loss比沒(méi)加正則時(shí)大。

2炼蛤、Dropout

3妖爷、bagging

4、early_stop

5理朋、交叉驗(yàn)證

參考:
https://zhuanlan.zhihu.com/p/35356992

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末赠涮,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子暗挑,更是在濱河造成了極大的恐慌,老刑警劉巖斜友,帶你破解...
    沈念sama閱讀 211,639評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件炸裆,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡鲜屏,警方通過(guò)查閱死者的電腦和手機(jī)烹看,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門(mén),熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)洛史,“玉大人惯殊,你說(shuō)我怎么就攤上這事∫仓常” “怎么了土思?”我有些...
    開(kāi)封第一講書(shū)人閱讀 157,221評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)忆嗜。 經(jīng)常有香客問(wèn)我己儒,道長(zhǎng),這世上最難降的妖魔是什么捆毫? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,474評(píng)論 1 283
  • 正文 為了忘掉前任闪湾,我火速辦了婚禮,結(jié)果婚禮上绩卤,老公的妹妹穿的比我還像新娘途样。我一直安慰自己江醇,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,570評(píng)論 6 386
  • 文/花漫 我一把揭開(kāi)白布何暇。 她就那樣靜靜地躺著陶夜,像睡著了一般。 火紅的嫁衣襯著肌膚如雪赖晶。 梳的紋絲不亂的頭發(fā)上律适,一...
    開(kāi)封第一講書(shū)人閱讀 49,816評(píng)論 1 290
  • 那天,我揣著相機(jī)與錄音遏插,去河邊找鬼捂贿。 笑死,一個(gè)胖子當(dāng)著我的面吹牛胳嘲,可吹牛的內(nèi)容都是我干的厂僧。 我是一名探鬼主播,決...
    沈念sama閱讀 38,957評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼了牛,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼颜屠!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起鹰祸,我...
    開(kāi)封第一講書(shū)人閱讀 37,718評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤甫窟,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后蛙婴,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體粗井,經(jīng)...
    沈念sama閱讀 44,176評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,511評(píng)論 2 327
  • 正文 我和宋清朗相戀三年街图,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了浇衬。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,646評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡餐济,死狀恐怖耘擂,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情絮姆,我是刑警寧澤醉冤,帶...
    沈念sama閱讀 34,322評(píng)論 4 330
  • 正文 年R本政府宣布,位于F島的核電站篙悯,受9級(jí)特大地震影響冤灾,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜辕近,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,934評(píng)論 3 313
  • 文/蒙蒙 一韵吨、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦归粉、人聲如沸椿疗。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)人閱讀 30,755評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)届榄。三九已至,卻和暖如春倔喂,著一層夾襖步出監(jiān)牢的瞬間铝条,已是汗流浹背。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,987評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工席噩, 沒(méi)想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留班缰,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 46,358評(píng)論 2 360
  • 正文 我出身青樓悼枢,卻偏偏與公主長(zhǎng)得像埠忘,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子馒索,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,514評(píng)論 2 348

推薦閱讀更多精彩內(nèi)容