正則化是什么意思? 正則化技術(shù)解析

正則化是廣泛應(yīng)用于機器學(xué)習(xí)和深度學(xué)習(xí)中的技術(shù)，它可以改善過擬合，降低結(jié)構(gòu)風(fēng)險，提高模型的泛化能力，有必要深入理解正則化技術(shù)。

奧卡姆剃刀原則

奧卡姆剃刀原則稱為“如無必要，勿增實體”，即簡單有效原理。在機器學(xué)習(xí)中，我們說在相同泛化誤差下，優(yōu)先選用較簡單的模型。依賴于該原則，提出了正則化技術(shù)。

什么是正則化及正則化的作用

正則化是在經(jīng)驗風(fēng)險項后面加上正則罰項，使得通過最小化經(jīng)驗風(fēng)險求解模型參數(shù)轉(zhuǎn)變?yōu)橥ㄟ^最小化結(jié)構(gòu)風(fēng)險求解模型參數(shù)，進而選擇經(jīng)驗風(fēng)險小并且簡單的模型。

式中是經(jīng)驗風(fēng)險項，是正則項， 是正則化參數(shù)。

簡單的模型擬合程度差(偏差大)，泛化能力強(方差小);復(fù)雜的模型擬合程度好(偏差小)，泛化能力弱(方差大)。

故選用合適的模型復(fù)雜度，使得泛化誤差最小。

正則化的方法

正則化也可以稱為規(guī)則化，在數(shù)學(xué)領(lǐng)域常稱為范數(shù)，常用的有L1范數(shù)和L2范數(shù)。P范數(shù)的數(shù)學(xué)公式如下：

1) L0范數(shù)表示向量中非零元素的個數(shù)

2) L1范數(shù)表示向量元素的絕對值之和

3) L2范數(shù)表示向量元素的平方和再開方

4) 范數(shù)表示所有向量元素絕對值中的最大值

5) 范數(shù)表示所有向量元素絕對值中的最小值

其中L1正則和L2正則是常用的正則化方法，L1正則可以產(chǎn)生稀疏權(quán)值矩陣，即產(chǎn)生一個稀疏模型，可以用于特征選擇，同時可以防止過擬合。L2正則可以防止模型過擬合。L0范數(shù)一定可以保證得到稀疏模型，但L0范數(shù)的求解是NP難問題，實際中一般采用L1范數(shù)代替L0范數(shù)得到稀疏解，可以簡單認為L1范數(shù)是L0范數(shù)的凸近似。

從圖形角度分析L1正則與L2正則

從圖形角度分析L1正則與L2正則，為簡化分析，考慮只有兩個權(quán)值向量w1和w2。

多彩的等值線代表經(jīng)驗損失函數(shù)解的空間，菱形線代表L1范數(shù)空間，當(dāng)二者相交時，代表了一個結(jié)構(gòu)損失函數(shù)的解，L1范數(shù)與經(jīng)驗損失函數(shù)的交點一般在坐標軸上，從而可以使得某些w=0，進而得到稀疏解。

L2正則化

多彩的等值線代表經(jīng)驗損失函數(shù)解的空間，圓形線代表L2范數(shù)空間，L2范數(shù)與經(jīng)驗損失函數(shù)的交點一般接近于坐標軸上，可以改善過擬合，但不具有稀疏性。

從公式角度分析L1正則與L2正則

首先加入L2正則項后的損失函數(shù)形式：

其中m為樣本個數(shù)，n為特征個數(shù)，為了最小化損失函數(shù)，對各個模型參數(shù)求偏導(dǎo)后等于零即可求得估計值：

上式中， 是步長，,所以L2正則會對每一個模型參數(shù)進行一定程度的縮減，但不會縮減為0。

對于加入L1正則項后的損失函數(shù)形式：

對各個模型參數(shù)求偏導(dǎo)后等于零，可得：

從上式可以看出：當(dāng)上一輪θ_j大于0時，下一次更新θ_j一定減少，當(dāng)上一輪θ_j小于0時，下一次更新θ_j一定增加，也就是說每一輪訓(xùn)練θ_j都是一定往0方向靠近，最終可得近似的稀疏解。

從貝葉斯角度分析L1正則與L2正則

從貝葉斯角度看，正則化相當(dāng)于對模型參數(shù)引入先驗分布：

L2正則，模型參數(shù)服從高斯分布， ，對參數(shù)加了分布約束，大部分絕對值很小。

L1正則，模型參數(shù)服從拉普拉斯分布，對參數(shù)加了分布約束，大部分取值為0，這也解釋了為何L1正則有獲取稀疏模型的功能。

推薦了解：大數(shù)據(jù)課程