Տուգանքների պայմաններ Կանոնավորումն աշխատում է տվյալների կողմնորոշմամբ դեպի որոշակի արժեքներ (օրինակ՝ զրոյին մոտ փոքր արժեքներ): … L1 կանոնավորացումը ավելացնում է L1 տույժ, որը հավասար էգործակիցների մեծության բացարձակ արժեքին: Այլ կերպ ասած, այն սահմանափակում է գործակիցների չափը։
Ինչպե՞ս է աշխատում L1 և L2 կանոնավորացումը:
L1 և L2 կանոնավորացման միջև հիմնական ինտուիտիվ տարբերությունն այն է, որ L1 կանոնավորացումը փորձում է գնահատել տվյալների միջինը, մինչդեռ L2 կանոնավորացումը փորձում է գնահատել տվյալների միջինը: խուսափել ավելորդ տեղակայումից. … Այդ արժեքը կլինի նաև մաթեմատիկորեն տվյալների բաշխման միջինը:
L1 կամ L2 կանոնավորացումն ավելի լավն է:
Գործնական տեսանկյունից L1-ը հակված է կրճատելու գործակիցները մինչև զրոյի, մինչդեռ L2-ը հակված է հավասարաչափ կրճատելու գործակիցները: Հետևաբար, L1-ը օգտակար է հատկանիշի ընտրության համար, քանի որ մենք կարող ենք բաց թողնել ցանկացած փոփոխական, որը կապված է զրոյի հասնող գործակիցների հետ: L2-ը, մյուս կողմից, օգտակար է, երբ դուք ունեք համակցված/կախված հատկանիշներ:
Ինչպե՞ս է աշխատում կարգավորիչը:
Կարգավորումն աշխատում է՝ ավելացնելով տույժի կամ բարդության տերմին կամ կրճատման ժամկետ՝ քառակուսիների մնացորդային գումարով (RSS) բարդ մոդելին : β0, β1, ….. β -ը ներկայացնում է գործակիցների գնահատականները տարբեր փոփոխականների կամ կանխատեսողների համար (X), որը նկարագրում է համապատասխանաբար հատկանիշներին կցված կշիռները կամ մեծությունը:
Ինչպե՞ս է L1 կանոնավորացումը նվազեցնում գերհարմարեցումը:
L1 կանոնավորացումը, որը նաև հայտնի է որպես L1 նորմ կամ Լասո (ռեգեսիայի խնդիրներում), պայքարում է գերհամապատասխանության դեմ՝ կրճատելով պարամետրերը մինչև 0:
