本文主要是介绍机器学习（深度学习）缓解过拟合的方法——正则化及L1L2范数详解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
机器学习（深度学习）缓解过拟合的方法——正则化
- L1范数和L2范数
- L1范数
- L2范数
过拟合的本质：模型对于噪声过于敏感，把训练样本里的噪声当做特征进行学习，以至于在测试集的表现不好，加入正则化后，当输入有轻微的改动，结果受到的影响较小。
正则化的方法主要有以下几种：
- 参数范数惩罚，比较好理解，将范数加入目标函数（损失函数），常见的有一范数，二范数
- 数据集增强
- 添加噪声
- earlystopping，当验证集的效果下降，而训练集还未收敛，提前终止训练
- 模型的融合，bagging方法
- Dropout（类似于bagging多个神经网络）
- Batch Normalization
- 简化网络结构
本文接下来将详细介绍L1范数和L2范数，其他的正则化方法比较好理解，就不在详述
L1范数和L2范数
有监督的机器学习问题主要有两个任务：最小化误差和规则化参数。最小化误差主要是为了让模型拟合我们的训练数据，规则化参数是防止模型过分拟合训练数据。因为参数太多，会导致我们的模型复杂度上升，容易过拟合，也就是我们的训练误差会很小。但训练误差小并不是我们的最终目标，我们的目标是希望模型的测试误差小，也就是能准确的预测新的样本。所以，我们需要保证模型“简单”的基础上最小化训练误差，这样得到的参数才具有好的泛化性能（也就是测试误差也小），而模型“简单”就是通过规则函数来实现的。
L1范数
L1范数是指向量中各个元素绝对值之和，并且有使权值稀疏的特点。从数学的角度来讲，任何的规则化算子，如果他在Wi=0的地方不可微，并且可以分解为一个“求和”的形式，那么这个规则化算子就可以实现稀疏。这说是这么说，W的L1范数是绝对值，|w|在w=0处是不可微。
参数稀疏最大的好处在于特征的选择。一般来说，xi的大部分元素（也就是特征）都是和最终的输出yi没有关系或者不提供任何信息的，在最小化目标函数的时候考虑xi这些额外的特征，虽然可以获得更小的训练误差，但在预测新的样本时，这些没用的信息反而会被考虑，从而干扰了对正确yi的预测。稀疏规则化算子的引入就是为了完成特征自动选择，它会学习地去掉这些没有信息的特征，也就是把这些特征对应的权重置为0。
L2范数
L2范数的一个最大的特点是可以解决过拟合的问题。L2范数是指向量各元素的平方和然后求平方根。我们让L2范数的规则项||W||2最小，可以使得W的每个元素都很小，都接近于0，但与L1范数不同，它不会让它等于0，而是接近于0，这里是有很大的区别的哦。而越小的参数说明模型越简单，越简单的模型则越不容易产生过拟合现象。为什么越小的参数说明模型越简单？我的理解是：比如模型把噪声考虑进去，会导致过拟合，但是噪声通常都是很小的，为了让噪声在模型的拟合中起作用，需要对噪声项乘以一个很大的系数。而二范数就避免了这种事情的发生。L2正则化之后w更新的时候前面的系数是小于1的，所以是权重衰减，而过拟合的函数变化都比较剧烈，所以局部导数大，即系数大，而L2可以衰减系数，所以有正则化效果
L2范数还要一个好处是可以解决优化过程中矩阵求逆很困难的情况，其实道理也很简单，之前求解矩阵逆的时候，为了追求精度，权值w会无限制的取很大，但是当结果稍微改变一丁点的时候，为了尽可能的拟合，W也会改变很大。加入二范数限制权值的大小，可以很好地缓解这个问题。
我们从几何的概念来考虑一下
如上图所示，L1范数和每个坐标相交的地方都有“角”出现，注意在角的位置会产生稀疏，而L2范数没有“角”，所以产生稀疏的概率就比较小了。
总结一下：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。Lasso在特征选择时候非常有用，而Ridge是一种规则化。
这篇关于机器学习（深度学习）缓解过拟合的方法——正则化及L1L2范数详解的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
