L1范数与L2范数​

L1范数与L2范数​

​ L1范数与L2范数在机器学习中，是常用的两个正则项，都可以防止过拟合的现象。L1范数的正则项优化参数具有稀疏特性，可用于特征选择；L2范数正则项优化的参数较小，具有较好的抗干扰能力。

1. 防止过拟合

​ L2正则项优化目标函数时，一般倾向于构造构造较小参数，一般认为，参数值较小的模型相对简单，能适应不同的数据集，在一定程度上避免过拟合的现象，参数较小，数据偏移带来的影响也会较小，从而说L2正则项具有较好的抗干扰能力，从而实现防止过拟合的现象。

​ L1正则项也可以防止过拟合现象，主要是利用了L1正则项优化参数的稀疏特性。一个简单的模型，配置参数越少，复杂度越小，而稀疏化的参数，模型的的很多参数都变为0，达到减少参数的目的，从而实现防止过拟合的现象。

例子1：

​ 假设有数据点10个数据点，分别为：(0, -2), (10, 18), (20, 15), (30, 35), (40, 42), (50, 50), (60, 66), (70, 76), (80, 77), (90, 85)，如图1（见代码1）。

图1 样例数据点

​ 假设该模型为线性模型，即 (y=ax+b) 。通过均方误差(MSE)的方式，求解参数(a)和(b)的值，设上面的10个点分别表示为 ((x_1,y_1),...,(x_{10},y_{10})) ，目标函数表示为：

[egin{align} L &= sumlimits_{i = 1}^{10} {{{left( {{y_i} - left( {a{x_i} + b} ight)} ight)}^2}} onumber\ &= left( {Y - AX} ight){left( {Y - AX} ight)^T} end{align} ]

其中，(Y = left( {{y_1},...,{y_N}} ight) in {R^{1 imes N}}​)，(A = left( {a,b} ight) in {R^{1 imes 2}}​)，(X = left( {egin{array}{*{20}{c}} {{x_1}}& cdots &{{x_N}}\ 1& cdots &1 end{array}} ight) in {R^{1 imes N}}​)。

求解：

[frac{{partial L}}{{partial A}} = 2left( {Y{X^T} - AX{X^T}} ight) = 0 \ A = Y{X^T}{left( {X{X^T}} ight)^{ - 1}} \ A = left( {egin{array}{*{20}{c}} {0.971}&{{ m{2}}{ m{.509}}} end{array}} ight) ]

（结果见代码1）。

添加L2正则项，

[L = left( {Y - AX} ight){left( {Y - AX} ight)^T} + {left| A ight|^2} ]

求解得到

[A = Y{X^T}{left( {I + X{X^T}} ight)^{ - 1}} \ A = left( {egin{array}{*{20}{c}} {{ m{0}}{ m{.985}}}&{{ m{1}}{ m{.623}}} end{array}} ight) ]

（结果见代码2）。

# 代码1
import numpy as np
import matplotlib.pyplot as plt
from numpy.linalg import inv
if __name__ == '__main__':
    x = np.arange(0, 100, 10)
    np.random.seed(2019)
    y = x + np.random.randint(-10, 11, 10)
    data = list(zip(x, y))
    print(data)  
    # [(0, -2), (10, 18), (20, 15), (30, 35), (40, 42), (50, 50), (60, 66), 
    # (70, 76), (80, 77), (90, 85)]
    plt.plot(x, y, '-*')
    plt.xlabel('x')
    plt.ylabel('y')
    plt.show()
    X = np.vstack((np.array(x), np.ones(len(x))))
    Y = np.array(y)
    A = Y.dot(X.T).dot(inv(X.dot(X.T)))
    print(A)  # [0.97090909 2.50909091]

2. L1正则化的稀疏解释

首先阐述一下为什么需要稀疏。

假设有样本(x in R^m), (X=(x_1,...,x_N))是(N)个样本，(x_i)是列向量，这(N)个样本的类别表示为(Y=(y_1,...,y_N))，假设(m>N)，现有一个线性模型(Y= heta X), ( heta in R^m), 由于(m>N)，所以$ heta $ 有无数个解，(x_i) 是 (m) 维的列向量，可能并不是所有的属性对构建模型都是有效的，此时需要筛选出一些有用的属。这里对于无用的属性，可以使用 $ heta $ 筛选，在指定位置置零即可，除掉 (X) 中无用的属性，此时可能有 (m_{new} < N) 该线性模型可能得到唯一解。但是，如何寻找稀疏的 $ heta $ 呢？

参考：https://vimsky.com/article/3852.html

​

​

​