Praktilisest vaatenurgast kaldub L1 koefitsiente nullini kahandama, samas kui L2 kipub koefitsiente ühtlaselt kahandama. L1 on seetõttu kasulik funktsioonide valimiseks, kuna saame tühistada kõik nulliks minevate koefitsientidega seotud muutujad. L2 on seevastu kasulik, kui teil on kollineaarsed/kaassõltuvad funktsioonid.
Mis kasu on regulaarsusest Mis on L1 ja L2 regulaarsus?
L1 regulaarsus annab mudeli funktsioonide jaoks väljundi kahendkaaluga vahemikus 0 kuni 1ja seda kasutatakse funktsioonide arvu vähendamiseks suures mõõtmetes andmekogus. L2 reguleerimine hajutab vealiikmed kõigis kaaludes, mis viib täpsemate kohandatud lõppmudeliteni.
Millised on erinevused L1 ja L2 regulatsiooni vahel?
Peamine intuitiivne erinevus L1 ja L2 regulatsiooni vahel seisneb selles, et L1 regulaarsus püüab hinnata andmete mediaani, samas kui L2 regulaarsus püüab hinnata andmete keskmist, et vältida ülepaigutamist. … See väärtus on ka matemaatiliselt andmete jaotuse mediaan.
Mis on L1 ja L2 legaliseerimine süvaõppes?
L2 reguleerimist tuntakse ka kui kaalu vähenemist, kuna see sunnib kaalusid kahanema nulli suunas (kuid mitte täpselt nulli). L1-s on meil: selles karistame kaalude absoluutväärtuse. Erinev alt L2-st võib siin raskusi nullida. Seetõttu on see väga kasulik, kui proovime tihendadameie mudel.
Kuidas L1 ja L2 reguleerimine toimib?
Regressioonimudelit, mis kasutab L1 reguleerimistehnikat, nimetatakse Lasso regressiooniks ja mudelit, mis kasutab L2, nimetatakse Ridge'i regressiooniks. Peamine erinevus nende kahe vahel on karistustähtaeg. Ridge regressioon lisab koefitsiendi "ruutsuuruse" kaotusfunktsiooni karistusterminina.
