https://www.toutiao.com/a6704509481306292749/

大家好，今天我們學習【機器學習速成】之 正則化:降低模型的複雜度以減少過擬合。

我們  馬上學三點  ，

1. 泛化曲線，
2. 降低模型的複雜度
3. L2 正則化的損失函式

大家可以點選下面的“  瞭解更多  ”，或搜尋“  馬上學123  ”，線上觀看PPT講義。

泛化曲線

我們之前已經討論過 如何讓訓練損失降至最低， 也就是 獲取正確的樣本 。

今天，我們要討論的是正則化， 也就是 不要過於信賴樣本 ， 這是確保機器學習效果的一個關鍵因素。

如圖泛化曲線， 該曲線顯示的是訓練集和驗證集 相對於訓練迭代次數的損失。

從圖中可以看出， 隨著迭代次數的增加，  藍色 的訓練集損失逐漸減少， 最終會在某種程度上 收斂於低端 。 但紅線的測試集損失開始上升。

事實上， 紅線 才是我們真正要關注的， 儘管我們在對訓練樣本進行訓練， 但我們想要 泛化到新的樣本 ， 也就是我們希望在 測試集上的損失控制在較低 的範圍。

如何抑制測試集損失上升

那麼如何抑制紅線的測試集損失上升呢？

該圖說明模型與訓練集中的資料 過擬合 了。 我們可以通過 正則化來避免過擬合 ，

正則化有很多不同的策略：

• 其中一種策略是 早停法（Early Stopping） ， 也就是訓練中計算模型在測試集上的表現， 當模型在測試集上的表現開始下降的時候， 停止訓練，這樣就能避免繼續訓練導致過擬合的問題。
• 這是一種常用策略， 儘量抵達紅色測試集曲線的底端， 但實際操作起來可能有些困難。

其他正則化策略 包括嘗試 新增模型複雜度懲罰項 ， 這就是我們接下來要講的。

降低模型的複雜度

目前，我們訓練僅專注於一個重要方面， 也就是輸入正確的訓練樣本， 最大程度地最小化損失， 也就是 經驗風險最小化 為目標

現在我們要引入第二項以對模型複雜度進行懲罰。

我們以最小化損失和複雜度為目標，這稱為 結構風險最小化 。

現在，我們的訓練優化演算法是一個由兩項內容組成的函式：

• 一個是 損失項 ，用於衡量模型與資料的擬合度，
• 另一個是 正則化項 ，用於衡量模型複雜度。

如何衡量模型複雜度呢？

那麼我們如何衡量模型複雜度呢？

我們可以採用多種方法， 一種常見的策略是 儘量選擇較小的權重 ， 也就是使引數小到幾乎可以讓我們忽略， 同時我們 仍能獲取正確的訓練樣本 。

這裡將重點探討 L2正則化 ， 模型複雜度= 權重的平方和， 在這種正則化策略中， 我們會對 權重的平方和 進行懲罰。

我們用 L2 正則化公式 來量化複雜度， 該公式將正則化項定義為 所有特徵權重的平方和 。

在使用L2正則化時， 模型的確會關注訓練資料， 但會盡量確保最後的權重 不會超過所需的大小 。

L2 正則化的損失函式

我們再以數學方式總結一下:

目前，我們在 訓練優化 方面新增了兩項：

• 第一項是 訓練損失 。 我們希望獲取正確的樣本。 可以看出，L損失項取決於訓練資料。
• 現在， 我們在模型複雜度方面引入了第二項。 您會注意到，第二項與資料無關， 它只是要 簡化模型 。

您會發現這兩項通過lambda實現了平衡。 這是一個係數， 代表我們對 獲取正確樣本  與對 簡化模型 的關注程度之比。

lambda的選擇和平衡

lambda的選擇其實取決於具體情況：

• 如果您有 大量的訓練資料 ， 訓練資料和測試資料看起來一致， 並且統計情況呈現 獨立同分布 ， 那麼您可能 不需要進行多少正則化 。
• 如果您的訓 練資料不多 ， 或者訓練資料與測試資料有所不同， 那麼您可能需要進行 大量正則化 。 您可能需要利用 交叉驗證 ， 或使用單獨的測試集進行調整。

選擇 lambda 值時， 目標是在 簡單化 和 訓練資料擬合 之間達到 適當的平衡 ：

• 如果您的 lambda 值過高， 則模型會非常 簡單 ，但是您將面臨資料 欠擬合 的風險。
• 如果您的 lambda 值過低， 則模型會比較 複雜 ，並且您將面臨資料 過擬合 的風險。
• 理想的 lambda 值生成的模型可以很好地 泛化到以前未見過的新資料 。

總結：

• 我們要獲取正確的樣本，讓損失降至最低；也要進行正則化，不要過於信賴樣本
• 經驗風險最小化：旨在減少訓練誤差
• 結構風險最小化：旨在減少訓練誤差,同時平衡複雜度。
• L2 正則化的損失函式： 第一項用來訓練損失 第二項用來簡化模型

---

這裡講了三點，關鍵詞有哪幾個？

提問！除了L2可以衡量模型複雜度，還有其它方法嗎？

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/29829936/viewspace-2648294/，如需轉載，請註明出處，否則將追究法律責任。