Գործնական տեսանկյունից L1-ը հակված է կրճատելու գործակիցները զրոյի, մինչդեռ L2-ը հակված է հավասարաչափ կրճատելու գործակիցները: Հետևաբար, L1-ը օգտակար է հատկանիշի ընտրության համար, քանի որ մենք կարող ենք թողնել ցանկացած փոփոխական, որը կապված է զրոյի հասնող գործակիցների հետ: L2-ը, մյուս կողմից, օգտակար է, երբ դուք ունեք համակցված/կախված հատկանիշներ:
Ո՞րն է կանոնավորացման օգուտը Որո՞նք են L1 և L2 կանոնավորացումը:
L1 կանոնավորացումը տալիս է ելք երկուական կշիռներով 0-ից մինչև 1 մոդելի հատկանիշների համար և ընդունվում է հսկայական ծավալային տվյալների բազայում հատկանիշների քանակը նվազեցնելու համար: L2 կանոնավորացումը ցրում է սխալի տերմինները բոլոր կշիռներով, ինչը հանգեցնում է առավել ճշգրիտ անհատականացված վերջնական մոդելների:
Որո՞նք են տարբերությունները L1 և L2 կանոնավորացման միջև:
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, որպեսզի խուսափի գերհամապատասխանությունից. … Այդ արժեքը կլինի նաև մաթեմատիկորեն տվյալների բաշխման միջինը:
Ի՞նչ է L1 և L2 կանոնավորացումը խորը ուսուցման մեջ:
L2 կանոնավորացումը հայտնի է նաև որպես քաշի քայքայում, քանի որ այն ստիպում է կշիռներին քայքայվել մինչև զրոյի (բայց ոչ ճշգրիտ զրոյի): L1-ում մենք ունենք. Այս դեպքում մենք պատժում ենքկշիռների բացարձակ արժեքը: Ի տարբերություն L2-ի, այստեղ կշիռները կարող են զրոյացվել: Հետևաբար, այն շատ օգտակար է, երբ մենք փորձում ենք սեղմելմեր մոդելը։
Ինչպե՞ս է աշխատում L1 և L2 կանոնավորացումը:
Ռեգեսիոն մոդելը, որն օգտագործում է L1 կանոնավորացման տեխնիկան, կոչվում է Lasso Regression, իսկ մոդելը, որն օգտագործում է L2, կոչվում է Ridge Regression: Այս երկուսի հիմնական տարբերությունը տուգանքի ժամկետն է: Լեռնաշղթայի ռեգրեսիան կորստի ֆունկցիային ավելացնում է գործակցի «քառակուսի մեծությունը»՝ որպես տույժի ժամկետ:
