zoukankan      html  css  js  c++  java
  • 吴恩达机器学习_55过拟合问题/56代价函数

    目前所学的学习算法:线性回归逻辑回归

    一、过度拟合

    例子:线性拟合(房价)

    (1)、:欠拟合,具有高偏差

     (2)、:拟合的很好

    (3)、:过拟合,具有高方差 (通常是变量太多,拟合出来的图像看起来很符合数据集,而且代价函数接近0,但是它无法泛化到新的数据集中)

      二、解决过度拟合

     (1)、减少变量的数量 

    (2)、正则化

      保留所有的特征变量,但是减少量级或参数θ的大小

    三、正则化

    思路:

    以上图为例,给代价函数加上惩罚项

    代价函数变为

     惩罚项前的系数为1000,为了使代价函数最小,θ_3和θ_4要接近0,这就使得假设函数后两项几乎为零(相当于还是一个二次函数),从而在不减少变量的同时达到更好的拟合效果,这就是正则化的思路。  

    三、正则化代价函数

    很多时候,我们不知道哪些变量是相关度比较低的,也就无法准确的缩小它们的值,因此我们考虑给代价函数添加额外的正则化项来缩小所有的参数,

    通常θ_0这项不需要进行正则化,这是约定俗成的

     如果正则化参数太大,那么对参数的惩罚程度太大,使得参数都接近为0

      

  • 相关阅读:
    xx
    java
    SAFe 4.0参考指南:精益软件与系统工程的规模化敏捷框架
    Scaled Agile Framework – SAFe for Lean Enterprises
    云宏信息科技股份有限公司
    k8s~kubectl常用命令
    springboot~mvn多个关联项目打包问题
    java~线程池的总结~续
    java~线程池的总结
    电子工程师必备:九大系统电路识图宝典
  • 原文地址:https://www.cnblogs.com/vzyk/p/11580599.html
Copyright © 2011-2022 走看看