参数的范数正则/惩罚(parameter norm penalties)

本文介绍了在机器学习中如何使用L2范数来正则化梯度下降算法,通过添加一个惩罚项到原始的目标函数,有效地防止模型过拟合,并给出了具体的更新公式。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. L2 范数

J~(w;X,y)=J(w;X,y)+α2wTw

J 表示的是原始的目标函数,J~ 则是二范数约束后的新的目标函数。

则根据梯度下降算法有:

  • wJ~=wJ+αw
  • wwϵwJ~=wϵ(J+αw)
  • w(1αϵ)wϵJ

转载于:https://www.cnblogs.com/mtcnn/p/9422396.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值