吴恩达《机器学习》课程总结(6)_正则化

Q1过拟合的问题

训练集表现良好，测试集表现差。鲁棒性差。以下是两个例子（一个是回归问题，一个是分类问题）

第一个图明显欠拟合，第三个图过度拟合，拟合函数复杂，虽然对于训练集具有很低的代价函数，但是应用到新样本的能力并不高，图二则是两者的均衡。

 

解决办法：

 

（1）丢弃一些不能帮助我们正确预测的特征。可以使用工选择保留哪些特征，或者使用一些模型选择的算法来帮忙（PCA）；

（2）正则化。保留素有的特征，但是减少参数的大小。

Q2代价函数

其中λ称为正则化参数。

经过正则化处理的模型和原模型的可能对比如如下：

不对θ₀正则化。

Q3正则化线性回归

 

 

对于j=1,2,3……有：

可以看出，正则化线性回归的梯度下降法的变化在于，每次都会在原有算法的更新规则的基础上令θ值减少了一个额外的值。

正规法一次计算全局最小值

Q4正则化的逻辑回归模型

逻辑回归模型的正规化与线性回归正规化不同点在于h(x)的不同

 

词汇

?

1 2	overfitting problem   ---过度拟合 regularization      ---正则化