机器学习中的正则化问题(1)——概念

一般来说，监督学习就是最小化下面函数：

[w^* = argmin_w sum_iL(y_i,;f(x_i;w)) + lambdaOmega(w) ]

对于第一部分——Loss函数，一般有如下几种情况：

• 如果是Square loss，那就是最小二乘了；
• 如果是Hinge Loss，那就是著名的SVM了；
• 如果是exp-Loss，那就是牛逼的 Boosting了；
• 如果是log-Loss，那就是Logistic Regression了；

除以上几种，还有不同的loss函数，具有不同的拟合特性，这个得就具体问题具体分析[1]。

　　在[2]中，提到了L1和L2作为损失函数和用于规则化的几个特点，其中L1的形式是：

[S = sum_{i=1}^nleft|y_i-f(x_i) ight| ]

L2的形式是：

[S = sum_{i=1}^nleft(y_i-f(x_i) ight)^2 ]

　　作为损失函数，L2对离群点更加敏感，但从另外一方面，数据集中某个数据的微小改变，反映到拟合曲线上，L1比L2的变化幅度要大，也就是L2比L1更加稳定。
　　关于损失函数是选择L1还是L2，pdf文档[5]可以作为参考，在这篇文档中使用了gradient boosting regressor作为回归模型。

　　优化目标的后一部分，是规则化函数(Omega(w))，其用于约束我们的模型，使其尽量简单，其目的用于防止过拟合，下面提一下L1和L2作为规范化项时候的一些区别。
L1的形式是：

[{f w}^* = argmin_{f w} sum_jleft(t({f x}_j)-sum_iw_ih_i({f x}_j) ight)^2 + lambdasum_{i=1}^k|{f w}_i| ]

L2的形式是：

[{f w}^* = argmin_{f w} sum_jleft(t({f x}_j)-sum_iw_ih_i({f x}_j) ight)^2 + lambdasum_{i=1}^k{f w}_i^2 ]

　　相比较来说，L1具有内置的特征选择能力，但L2没有。其原因在于L1更倾向于产生稀疏的系数，打个比方来说，我们的回归函数具有100个系数，使用L1可能会产生10个非零系数，这也就是说其余90个系数在预测目标值的过程中没有发挥作用，而L2则不会产生稀疏系数，因而不具备特征选择能力。
　　此外，最后求得的L1数值可能有多个，而L2的话只可能得到一个数值，其原因在于

 在这张图中，L2是绿色线条，其余线条都是L1的线条，由于L2只有一条，所以只有一个解(这些解释出自[2]，想弄明白其中的"禅机"还需要更多动手尝试) 　　最后，==L1不具备解析解而L2具有，因而L2的计算更为高效==；但另一方面，L1的解具有稀疏性质，因而可以使用稀疏算法求解，从而从另一方面获得更好的计算效率。 　　 　　**从另一个角度来讲，对损失函数进行正则化，实际上是在贝叶斯统计学派思想指导下的数据分析，其将先验期望和对观测数据进行拟合融合到一起，对于L1规则项来说，实际是对回归方程的系数添加了一个拉普拉斯先验，之后运行MAP，而对L2规则项来说，对回归方程添加了高斯先验，之后运行MAP**。高斯分布密度函数曲线和拉普拉斯分布密度函数曲线如下： 

　　由上图可见，随着系数取值偏离0，取到这些系数的概率会降低，L1规范式对较大值和较小值兼容性较强(出自[5]的第一个回答)。从第三个回答中也能看出一些很有意思的内容，L1规范式适合于比较稀疏的数据，但如果在L1，L2都能用的情况下，L2更合适一些，因为L2能够产生更小的预测错误率。

[1] 机器学习中的范数规则化之（一）L0、L1与L2范数
[2] Differences between L1 and L2 as Loss Function and Regularization
[3] Differences between the L1-norm and the L2-norm (Least Absolute Deviations and Least Squares)
[4] L1 vs. L2 Loss function
[5] What is the difference between L1 and L2 regularization?