Regularization
数学中的Regularization是为了解决overfitting问题而引入的一种方法。所谓overfitting就是在一些数学模型中由于过于复杂,有太多的观测参数,以至于一点点微小的误差都回产生巨大的影响,任何微小的数据扰动都会带来巨大的改变。在一些训练模型中用来fitting的data也会因为结构问题而Overfitting。
一般来说有两种克服Overfitting的方法:一是补偿模型的某些部分(如Regularization);二是根据潜在的问题提供而外的数据来训练。
下面介绍Tikhonov Regularization作为例子。
在如下方程中:
Ax = b
要求解x的标准方法是最小二乘法:
Min || Ax – b ||^2
求解这个方程除了overfitting外,还有overdetermined (underdetermined)的问题。所谓overdetermined (underdetermined),是指方程组中未知数的个数与方程数不不一致。如果把一个未知数看成一个自由度的话,每个单独的方程可以看成一个对应的constraint,当constraint的数目比未知数还多时,有可能找不到符合方程组的解;当方程的数目少于未知数时,可能有无穷多组解。显然当A不是方阵的时候肯定overdetermined(underdetermined)的。
A可能是奇异阵,这也是一个问题。
为了获得在某种条件下的解,加入regularization项如下:
|| Ax – b ||^2 + || Rx ||^2
其中,||.||是Euclidean norm,即平方和的根。
在很多情况下,R可以直接取单位阵。加入R之后可解如下:
x = (A^TA + RTR)^(-1)A^Tb
一些另外的取法。令R = a*L,L是对称Laplace-Beltrami算子。
L = V^(-1/2) * C * V^(-1/2)
V是一个voronoi area对角阵,C是一个系数对称cotangentweight矩阵。(cot(Betai,j) + cot(Betai,j)^-)/2, Beta是相邻三角形的角度。
可以把L作特征值分解,L = QBQ^T,Q为正交矩阵。因为正交矩阵不改变Frobenius norm,所以:
|| RU || = || aLU || = a|| QBQ^TU || = a|| BQ^TU||
Regularization相关推荐
- 深度学习3:手动实现L2正则化(L2 Regularization)
在神经网络中,正则化的作用是防止过拟合,本文将结合一个实例来讲解神经网络中的L2正则化,并手动(不使用框架)实现出来. 先来看代码运行结果: 增加L2正则化之前 增加L2正则化之后: L2正则化为:λ ...
- 正则化方法:L1和L2 regularization、数据集扩增、dropout
https://www.toutiao.com/a6704868049352131080/ 为什么要使用正则化 我们先回顾一下房价预测的例子.以下是使用多项式回归来拟合房价预测的数据: 正则化方法:防 ...
- machine learning(15) --Regularization:Regularized logistic regression
Regularization:Regularized logistic regression without regularization 当features很多时会出现overfitting现象,图 ...
- 处理过拟合问题-Regularization
数学中的Regularization是为了解决overfitting问题而引入的一种方法.所谓overfitting就是在一些数学模型中由于过于复杂,有太多的观测参数,以至于一点点微小的误差都回产生巨 ...
- Paper Review: Bayesian Regularization and Prediction
Paper Review: Bayesian Regularization and Prediction One-group Answers to Two-group questions Two-gr ...
- 机器学习之数学基础(四)~Lasso Regression回归, L1、L2 Regularization正则化, 回归问题中的损失函数
目录 1. Lasso回归 1.1 概念 1.2 正则化 1.3 Lasso回归模型 1.4 为什么Lasso Regression可以做降维? 1.5 参数求解 (1)坐标轴下降法 (2)最小角回归 ...
- Coursera公开课笔记: 斯坦福大学机器学习第七课“正则化(Regularization)”
Coursera公开课笔记: 斯坦福大学机器学习第七课"正则化(Regularization)" +13投票 斯坦福大学机器学习第七课"正则化"学习笔记, ...
- 第三讲-------Logistic Regression Regularization
第三讲-------Logistic Regression & Regularization 本讲内容: Logistic Regression ==================== ...
- 正则化方法/防止过拟合提高泛化能力的方法:L1和L2 regularization、数据集扩增、dropout
转载自:http://blog.csdn.net/u012162613/article/details/44261657 本文是<Neural networks and deep learnin ...
- 稀疏性和L1正则化基础 Sparsity and Some Basics of L1 Regularization
Sparsity 是当今机器学习领域中的一个重要话题.John Lafferty 和 Larry Wasserman 在 2006 年的一篇评论中提到: Some current challenges ...
最新文章
- flink集成springboot案例_Flink从流处理到流批一体的19个最佳实践
- websohere 替换单独文件_postman教程-16-如何读取外部文件实现数据参数化
- material-ui_满足Material-UI —您最喜欢的新用户界面库
- SpringBean默认是单例的,高并发情况下,如何保证并发安全?
- vbox虚拟机无法使用计算机名称,win10/windows10启动virtualbox虚拟机提示“不能为虚拟电脑XX点击一个...
- 数字图像处理——第三章 空间域图像增强(空间滤波)
- 荣耀手环5没有篮球鸿蒙,荣耀手环5和篮球版区别
- ASP.Net MVC 在ajax接收controller返回值为Json数据
- oracle执行命令显示2,Oracle数据库执行脚本常用命令小结
- 如何在Linux开启HTTP服务,小技巧:如何快速开启一个静态 HTTP 服务?
- 代码 or 指令,浅析ARM架构下的函数的调用过程
- python简单命令语句_python基础教程之[基础学习]MySQL常用语句命令总结|python基础教程|python入门|python教程...
- oracle时分秒修改值_Oracle SQL Developer显示的时间包含时分秒的设置方法
- 自建CA生成证书详解
- anaconda + tensorflow +ubuntu 超级菜鸟,大家多指正【转】
- 网站服务器建立数据库连接时出错,WordPress提示建立数据库连接出错的解决办法...
- 知识总结2:Django常见面试题总结(持续更新)
- hdoj 1054 Strategic Game 最小点覆盖模版题dfs方式(Java版)
- python面试题(面试重点)
- opencv | cv2|OpenCV3.3安装Make sure that you use the correct version of ‘pip‘ installed for your Pytho
热门文章
- 寓教于乐——PyGame游戏编程,Python小游戏制作实战教学
- Vitalik:探索公共物品资金分配优先次序-Revenue-Evil 曲线
- Maven编译Scala报错StackOverflowError
- c语言一个十进制数输出十六进制数,c++ 输入一个十进制数,输出十六进制数
- python format函数换行_python format函数/print 函数详细讲解(19)
- 干货!易懂!通过7个问题全面了解Matter协议
- JPEG 编解码器 霍夫曼编码
- 在everedit编辑器中安装python环境
- VC++分别使用WinExec、CreateProcess、ShellExecute和ShellExecuteEx来启动程序(附源码)
- J - Subway Chasing ( 差分约束 )