机器学习入门-第二天

我不是女神ヾ 2023-03-12 15:26 68阅读 0赞

# 1，正则化-缓解过拟合 #

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70][]

补充: H是对应不同w,b参数的函数f的集合。Ω(f)一般是关于w,b的函数，它的值越小，意味着函数越简单或越平滑。

[何谓超参数？\_鹊踏枝-码农的专栏-CSDN博客\_超参数][-_-CSDN]

> 超参数的定义：在机器学习的上下文中，超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给学习机选择一组最优超参数，以提高学习的性能和效果。

![20200509115017716.png][]

1.  正则化一般就是在损失函数中加一个惩罚项Ω(f)，这个惩罚项Ω(f)一般是关于w的范数，因为只有w影响函数平滑程度，b只是关于函数的上下移动。
2.  范数：  
    ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70 1][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70 2][]

L0范数仅仅表示向量中非0元素的个数, L1范数等于向量中所有元素绝对值之和, L2范数表示向量（或矩阵）的元素平方和。

L1范数可以进行特征选择，即让特征的系数变为0.

L1会趋向于产生少量的特征，而其他的特征都是0，而L2会选择更多的特征，这些特征都会接近于0。

L2范数可以防止过拟合，提升模型的泛化能力，有助于处理 condition number不好下的矩阵(数据变化很小矩阵求解后结果变化很大)（核心：L2对大数，对outlier离群点更敏感！）

下降速度：最小化权值参数L1比L2变化的快

模型空间的限制：L1会产生稀疏 L2不会。

**正则化就是在损失函数上加上一个与w（斜率）相关的值，那么要是loss function越小的话，w也会越小，w越小就使function更加平滑（function没那么大跳跃）**

**L1、L2 正则化**就只是在这个误差公式后面多加了一个东西, 让误差不仅仅取决于拟合数据拟合的好坏, 而且取决于参数的值的大小. 如果加的是每个参数的平方, 那么我们称它为 L2正规化, 如果是每个参数的绝对值, 我们称为 L1 正规化.

我们拿 L2正规化来探讨一下, 机器学习的过程是一个 通过修改参数 θ来减小误差的过程, 可是在减小误差的时候非线性越强的参数, 比如在 x^3 旁边的θ4 就会被修改得越多, 因为如果使用非线性强的参数就能使方程更加曲折, 也就能更好的拟合上那些分布的数据点. 但这样可能会导致过拟合,因此需要加上正则项惩罚.

**参考:**L1 / L2 正规化 (Regularization)[L1 / L2 正规化 (Regularization) - 有趣的机器学习 | 莫烦Python][L1 _ L2 _ _Regularization_ - _ _ _Python]

![format_png][]

*  **L2 regularizer** ：使得模型的解偏向于范数较小的 W，通过限制 W 范数的大小实现了对模型空间的限制，从而在一定程度上避免了 overfitting 。不过 ridge regression 并不具有产生稀疏解的能力，得到的系数仍然需要数据中的所有特征才能计算预测结果，从计算量上来说并没有得到改观。
 *  **L1 regularizer** ：它的优良性质是能产生稀疏性，导致 W 中许多项变成零。 稀疏的解除了计算量上的好处之外，更重要的是更具有“可解释性”。

![format_png 1][]

**       问：为什么通过L1正则、L2正则能够防止过拟合**

答：过拟合产生的原因通常是因为参数比较大导致的，通过添加正则项，假设某个参数比较大，目标函数加上正则项后，也就会变大，因此该参数就不是最优解了。

**　　问：为什么过拟合产生的原因是参数比较大导致的？**

答：过拟合，就是拟合函数需要顾忌每一个点，当存在噪声的时候，原本平滑的拟合曲线会变得波动很大。在某些很小的区间里，函数值的变化很剧烈，这就意味着函数在某些小区间里的导数值（绝对值）非常大，由于自变量值可大可小，所以只有系数足够大，才能保证导数值很大。

# 2，无偏估计，大数定律，中心极限定理 #

*  **数学期望**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70 3][]

*  **中心极限定理**

样本的平均值约等于总体的平均值。不管总体是什么分布，任意一个总体的样本平均值都会围绕在总体的整体平均值周围，并且呈正态分布。

*  **大数定律**

同分布则期望和方差一样，密度函数和分布函数也一样。每一个单独样本和总体样本都是同分布，因此单独样本的期望等于总体样本的期望。

![20200510003709914.png][]

*  **理论基础**

参考：[马同学][Link 1] 如何理解有偏估计量，方差估计的偏差![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70 4][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70 5][]

**参考：**

李宏毅机器学习笔记2  [李宏毅机器学习笔记02（where does the error come from） - zr-zhang2019 - 博客园][02_where does the error come from_ - zr-zhang2019 -]

如何通俗易懂地解释「范数」？[如何通俗易懂地解释「范数」？ - 知乎][-]

[对于正则化的理解][Link 2]            [对于正则化的理解 - 禅在心中 - 博客园][Link 2]

L1范数与L2范数的区别     [L1范数与L2范数的区别\_不二的博客-CSDN博客\_l2范数][L1_L2_-CSDN_l2]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70]: /images/20230312/0bd987e061da406c980d3ed1abce8b79.png
[-_-CSDN]: https://blog.csdn.net/u011501388/article/details/78447839
[20200509115017716.png]: /images/20230312/64144f25d9ba4409863a196f8363dd17.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70 1]: /images/20230312/1dec469d0b234f86a6257ef6f8a2b615.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70 2]: /images/20230312/8d363f617701485783f6718848092c68.png
[L1 _ L2 _ _Regularization_ - _ _ _Python]: https://morvanzhou.github.io/tutorials/machine-learning/ML-intro/3-09-l1l2regularization/
[format_png]: /images/20230312/1f3b1a24bff146a4be098529eebbb982.png
[format_png 1]: /images/20230312/80da179df62946d3b5c2990a5b97c911.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70 3]: /images/20230312/52c98eefcfcd43c78d072d1181053099.png
[20200510003709914.png]: /images/20230312/72c46f04f0e544d9bc551a3b9b4ee42d.png
[Link 1]: https://www.matongxue.com/madocs/607.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20200510003200790.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2tpbmc1MjExMzE0MTMxNA_size_16_color_FFFFFF_t_70 5]: /images/20230312/5d14fb09feac42bbb707426269bd43ca.png
[02_where does the error come from_ - zr-zhang2019 -]: https://www.cnblogs.com/xxlad/p/11201463.html
[-]: https://zhuanlan.zhihu.com/p/26884695
[Link 2]: https://www.cnblogs.com/pinking/p/9310728.html
[L1_L2_-CSDN_l2]: https://blog.csdn.net/rocling/article/details/90290576