
前面文章小编简单给大家介绍了泛化能力的一些基础知识,今天给大家带来的是提高模型泛化能力的方法--正则化。
一、首先来回顾一下什么是泛化能力
泛化能力(generalization ability),百科给出的定义是:机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据对背后的规律,对具有同一规律的学习集以外的数据,经过训练的网络也能给出合适的输出,该能力称为泛化能力。简单来概括一下,泛化能力就是一个机器学习算法能够识别没有见过的样本的能力,通俗点说就是学以致用,举一反三的能力。机器学习方法训练出一个模型,我们会希望这个模型不但是对于已知的数据(训练集)性能表现良好,而且对于未知的数据(测试集)也能够表现良好,这就表明这个模型具有良好的泛化能力。在实际应用子中,模型的过拟合(overfitting)与欠拟合(underfitting)能够最直观的体现出泛化能力的好坏。
根据泛化能力强弱,可以分为:
欠拟合:模型不能在训练集上获得足够低的误差;
拟合:测试误差与训练误差差距较小;
过拟合:训练误差和测试误差之间的差距太大;
不收敛:模型不是根据训练集训练得到的。
二、简单介绍正则化
正则化regularization的目标为:模型的经验风险和模型复杂度之和达到最小,即结构风险达到最小。也就是正则化的目的是为了防止过拟合, 从而增强泛化能力。
我们通常将正则化定义为:对学习算法的修改,目的是减少泛化误差而不是训练误差
在训练次数足够多,以及表达形式足够复杂的情况下,训练误差能够无限小,可是这并不代表着泛化误差的减小。相反的,一般情况下,这样会导致泛化误差的增大。最常见的例子是:真实数据的分布符合二次函数,但是欠拟合一般会将模型拟合成一次函数,而过拟合通常将模型拟合成高次函数。根据奥卡姆剃须原则:在尽可能符合数据原始分布的基础上,更加平滑、简单的模型,往往更加符合数据的真实特征。所以,我们必须采用采用某种约束,这也就引出了的正则化。
三、正则化---提高模型的泛化能力
按策略正则化可以分为以下三类:
(一) 经验正则化:利用工程上的技巧,实现更低的泛化误差,例如:提前终止法、模型集成、Dropout等;
1.提前终止(earlystop)
一种最简单的正则化方法,在泛化误差指标不再提升后,提前结束训练
2.模型集成(ensemable))
通过训练多个模型来完成该任务,这些模型可以是不同的网络结构,不同的初始化方法,不同的数据集训练出来的,也可以是采用不同的测试图片处理方法。总结来说就是,利用多个模型进行投票的策略
3.Dropout移除一部分神经元
Dropout采用的是"综合起来取平均”的策略,来防止过拟合问题。不同的网络会产生不同的过拟合问题,取平均会让一些“相反的”拟合有互相抵消的可能,整个Dropout过程就相当于 对很多个不同的神经网络取平均。而且因为dropout程序导致两个神经元不一定每次都在一个dropout网络中出现,这样会减少神经元之间复杂的共适应关系
(二)参数正则化:直接提供正则化约束,例如:L1/L2正则化法等;
L1/L2正则化方法,就是最常用的正则化方法,它直接来自于传统的机器学习。
L1正则化:
L2正则化:
(三)隐式正则化:不直接提供约束,例如:数据有关的操作,包括归一化、数据增强、扰乱标签等。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04