L1正则化和L2正则化

最新推荐文章于 2025-05-08 13:54:34 发布

c123_sensing

最新推荐文章于 2025-05-08 13:54:34 发布

阅读量528

点赞数

分类专栏： CNN machine learning

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/c123_sensing/article/details/82252733

版权

正则化是防止过拟合的重要手段，L2正则化通过添加权重平方和的项，使得模型倾向于学习较小权重，避免过大的参数值，常用于深度学习中的权重衰减。L1正则化则导致参数稀疏，部分权重变为0，适合特征选择。L1和L2正则化在梯度下降时对权重更新有不同的影响，L1常导致稀疏解，而L2则产生更平滑的解决方案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在机器学习中，我们非常关心模型的预测能力，即模型在新数据上的表现，而不希望过拟合现象的的发生，我们通常使用正则化（regularization）技术来防止过拟合情况。正则化是机器学习中通过显式的控制模型复杂度来避免模型过拟合、确保泛化能力的一种有效方式。如果将模型原始的假设空间比作“天空”，那么天空飞翔的“鸟”就是模型可能收敛到的一个个最优解。在施加了模型正则化后，就好比将原假设空间（“天空”）缩小到一定的空间范围（“笼子”），这样一来，可能得到的最优解能搜索的假设空间也变得相对有限。有限空间自然对应复杂度不太高的模型，也自然对应了有限的模型表达能力。这就是“正则化有效防止模型过拟合的”一种直观解析。

L2正则化

在深度学习中，用的比较多的正则化技术是L2正则化，其形式是在原先的损失函数后边再加多一项： $1/2\lambda \theta _{i}^{2}$ ，那加上L2正则项的损失函数就可以表示为：

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。