Python全系列 教程
3567个小节阅读:5930.5k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本,未来主流的版本
人工智能 教程
顺势而为,AI创新未来
大厂算法 教程
算法,程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
正则化( Regularization)的目的在于提高模型在未知测试数据上的泛化力,限制参数的大
小,减少泛化误差,是解决过拟合的一种重要方法。
范数
假设x是一个向量,它的Lp范数定义
在目标函数后面添加一个“惩罚项”是正则化的常用方式,为了防止系数过大从而让模型变得复杂。在加了正则化项之后的目标函数为:
其中,J(w,b)是目标函数,loss(w,b)是损失函数
注意:
L1正则化能够使得损失函数中的许多参数变成0,可作为特征选择使用;
L2正则化更适用于防止模型过拟合
1. 关于模型正则化,下列说法正确的是:
A 模型正则化可以解决欠拟合问题
B 模型正则化可以使得模型参数越来越大
C 模型正则化的目的在于提高模型在未知测试数据上的泛化力
D 以上说法均不正确
2. 关于L1与L2正则化,下列说法正确的是:
A L1正则化更适用于防止模型过拟合
B L1正则化能够使得损失函数中的许多参数变成0,可作为特征选择使用
C L2正则化的惩罚项对应于L1范数
D L2正则化更适用于防止欠拟合
1=>C 2=>B