L1范数与L2范数正则化

标签：模型   之间   测试数据   避免   parse   image   向量   sub   性能   

2018-1-26

虽然我们不断追求更好的模型泛化力，但是因为未知数据无法预测，所以又期望模型可以充分利用训练数据，避免欠拟合。这就要求在增加模型复杂度、提高在可观测数据上的性能表现得同时，又需要兼顾模型的泛化力，防止发生过拟合的情况。为了平衡这两难的选择，通常采用两种模型正则化的方法：L₁范数正则化与L₂范数正则化。

正则化的目的：提高模型在未知测试数据上的泛化力，避免参数过拟合。

正则化常见方法：在原模型优化目标的基础上，增加对参数的惩罚项。

•  L1范数正则化

这种正则化方法结果会让参数向量的许多元素趋向于0，使得大部分特征失去对优化目标的贡献。这种让有效特征变得稀疏（Sparse）的L1正则化模型，通常被称为Lasso。

• L2范数正则化

为了使新优化目标最小化，这种正则化方法的结果会让参数向量中的大部分元素都变得很小，压制了参数之间的差异性。这种压制参数之间的差异性的L2正则化模型，通常被称为Ridge。

L1范数与L2范数正则化

标签：模型   之间   测试数据   避免   parse   image   向量   sub   性能   

原文地址：https://www.cnblogs.com/HongjianChen/p/8361822.html