正则化 描述 为了防止由于系数过大造成的过拟合, 在损失函数中引入正则化项 L1正则项: 取系数绝对值的和alpha作为正则项, 系数alpha越大正则化力度越大.会趋向于使一些系数为0, 可用于特征选择. 拉索回归. L2正则项: 取系数的平方和作为正则项, SME项乘以系数C, C越大正则化力度越小.计算强度较大, 结果准确度更高.岭回归 弹性网: 综合使用ralpha*L1 + (1-r)alphaL2作为正则项. 综合L1和L2的优点.
本文探讨了正则化在防止机器学习模型过拟合中的应用，包括L1正则化（拉索回归），L2正则化（岭回归）及弹性网，通过调整系数避免模型复杂度过高。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
