1。 使用L1可以得到稀疏的权值,使用L2可以得到平滑的权值
1.1 正则化模型
正则化就是吧额外的约束或者惩罚项加到已有的模型(损失函数)上,以防止过拟合并提高泛化能力。
损失函数由原来的E(x,y)
变成:E(x,y)+alpha||W||
W是模型系数组成的向量,||w||一般是L1或者L2番薯,alpha是一个可调的参数,控制着正则化的强度。
更详细的解释见https://blog.csdn.net/jinping_shi/article/details/52433975
1。 使用L1可以得到稀疏的权值,使用L2可以得到平滑的权值
1.1 正则化模型
正则化就是吧额外的约束或者惩罚项加到已有的模型(损失函数)上,以防止过拟合并提高泛化能力。
损失函数由原来的E(x,y)
变成:E(x,y)+alpha||W||
W是模型系数组成的向量,||w||一般是L1或者L2番薯,alpha是一个可调的参数,控制着正则化的强度。
更详细的解释见https://blog.csdn.net/jinping_shi/article/details/52433975