Vanuit 'n praktiese oogpunt is L1 geneig om koëffisiënte na nul te krimp, terwyl L2 geneig is om koëffisiënte eweredig te krimp. L1 is dus nuttig vir kenmerkkeuse, aangesien ons enige veranderlikes wat verband hou met koëffisiënte wat na nul gaan, kan laat val. L2, aan die ander kant, is nuttig wanneer jy kolineêre/koafhanklike kenmerke het.
Wat is die nut van regularisering Wat is L1- en L2-regularisering?
L1-regulasie gee uitset in binêre gewigte van 0 tot 1 vir die model se kenmerke en word aangeneem om die aantal kenmerke in 'n groot dimensionele datastel te verminder. L2-regularisering versprei die foutterme in al die gewigte wat lei tot meer akkurate pasgemaakte finale modelle.
Wat is die verskille tussen T1- en T2-regulasie?
Die belangrikste intuïtiewe verskil tussen die L1- en L2-regulasie is dat L1-regulasie probeer om die mediaan van die data te skat terwyl die L2-regularisering probeer om die gemiddelde van die data te skat om oorpassing te vermy. … Daardie waarde sal wiskundig ook die mediaan van die dataverspreiding wees.
Wat is T1- en T2-regulasie in diep leer?
L2-regulasie staan ook bekend as gewigsverval aangesien dit die gewigte dwing om na nul te verval (maar nie presies nul nie). In V1 het ons: In hierdie, penaliseer ons die absolute waarde van die gewigte. Anders as L2, kan die gewigte hier tot nul verminder word. Daarom is dit baie nuttig wanneer ons probeer om te komprimeerons model.
Hoe werk T1- en T2-regulasie?
'n Regressiemodel wat L1-regulasietegniek gebruik, word Lasso-regressie genoem en model wat L2 gebruik, word Ridge-regressie genoem. Die belangrikste verskil tussen hierdie twee is die straftermyn. Ridge-regressie voeg "kwadraatgrootte" van koëffisiënt as strafterm by die verliesfunksie.
