模型防止过拟合
1.正则化技术
- L1正则化
- L2正则化
- dropout
- 数据增强
- 提前停止
正则化对系数进行惩罚。在深度学习中，它实际上惩罚了节点的权重矩阵。
01 L1和L2正则化
它是最常见的正则化类型。在回归模型中，L1正则化称为Lasso回归，L2称为岭回归。
成本函数=损失（交叉熵）+正则化
'y'表示学习关系，' β'表示不同变量或预测变量（x）的系数估计。 λ是调整参数，决定了我们想要多大程度地惩罚模型的灵活性。这两者的区别在于惩罚项。Ridge将系数的平方大小作为惩罚项加到损失函数上。 Lasso (Least Absolute Shrinkage and Selection Operator)增加系数的绝对值。如果机器学习数据集中有大量特征，那么对于特征选择，Lasso会将不太重要的特征系数缩小为零。
02 Dropout
它是深度学习中最常用的正则化方法。在每次迭代中，dropout选择一些节点并将其连同所有传入和传出的连接一起丢弃。每个迭代都有不同的节点集和输出。在机器学习中，这被称为ensemble，当它们捕捉到更多的随机性时，性能会更好。
03 数据增强
减少过度拟合最简单的方法是增加训练数据的大小。在机器学习中，我们无法增加训练数据的大小，因为标记数据太昂贵。但是，现在让我们考虑我们处理的是图像。有几种方法可以增加训练数据的大小——旋转图像、翻转、缩放等。这种技术称为数据增强。这通常会提高模型的准确性。它可以被视为一个强制性的技巧，以改善我们的预测。
04 Eearly stopping
Early stopping是一种交叉验证策略，我们将训练集的一部分作为验证集。当我们发现验证集上的性能变差时，我们会立即停止对机器学习模型的训练。这被称为Early stopping。
在上图中，我们将在虚线处停止训练，因为之后我们的机器学习模型将开始对训练数据进行过度拟合