ჯარიმების პირობები რეგულარიზაცია მუშაობს მონაცემების მიკერძოებით კონკრეტული მნიშვნელობების მიმართ (როგორიცაა მცირე მნიშვნელობები ნულის მახლობლად). … L1 რეგულაცია ამატებს L1 ჯარიმას, რომელიც უდრის კოეფიციენტების სიდიდის აბსოლუტურ მნიშვნელობას. სხვა სიტყვებით რომ ვთქვათ, ის ზღუდავს კოეფიციენტების ზომას.
როგორ მუშაობს L1 და L2 რეგულაცია?
მთავარი ინტუიციური განსხვავება L1 და L2 რეგულაციას შორის არის ის, რომ L1 რეგულაცია ცდილობს შეაფასოს მონაცემების მედიანა, ხოლო L2 რეგულაცია ცდილობს შეაფასოს მონაცემთა საშუალო თავიდან აიცილოთ ზედმეტი მორგება. … ეს მნიშვნელობა ასევე იქნება მონაცემთა განაწილების მედიანა მათემატიკურად.
ჯობია L1 თუ L2 რეგულაცია?
პრაქტიკული თვალსაზრისით, L1 იკლებს კოეფიციენტებს ნულამდე, ხოლო L2 თანაბრად ამცირებს კოეფიციენტებს. ამიტომ, L1 სასარგებლოა ფუნქციების შერჩევისთვის, რადგან ჩვენ შეგვიძლია ჩამოვაგდოთ ნებისმიერი ცვლადი, რომელიც დაკავშირებულია კოეფიციენტებთან, რომლებიც ნულამდე მიდიან. L2, მეორეს მხრივ, სასარგებლოა, როდესაც გაქვთ კოლინარული/კოდამოკიდებული ფუნქციები.
როგორ მუშაობს რეგულატორი?
რეგულარიზაცია მუშაობს დამატებით ჯარიმის ან სირთულის ტერმინის ან შემცირების ტერმინით კვადრატების ნარჩენი ჯამით (RSS) კომპლექსურ მოდელს . β0, β1, ….. β წარმოადგენს კოეფიციენტების შეფასებას სხვადასხვა ცვლადის ან პროგნოზირებისთვის (X), რომელიც აღწერს მახასიათებლებზე მიმაგრებულ წონას ან სიდიდეს, შესაბამისად.
როგორ ამცირებს L1 რეგულაცია ზედმეტად მორგებას?
L1 რეგულაცია, რომელიც ასევე ცნობილია როგორც L1 ნორმა ან ლასო (რეგრესიის პრობლემებში), ებრძვის გადაჭარბებას პარამეტრების 0-მდე შემცირებით.
