Regularization and Bias/Variance

正则化和偏差/方差

DDYQnU.md.png

在上图中,我们可以清晰地看到,当$\lambda$增加的时候,拟合函数会变得十分僵硬,即我们所谓的拟合效果十分不好。从另一方面来说,当$\lambda$趋近于0的时候,拟合就会变成过拟合。所以,我们应该如何选择我们的参数$\lambda$来使得它不大也不小呢?为了选择合适的模型和正则化参数$\lambda$,我们需要:

  1. 初始化一个 $\lambda$ 的列表 (i.e. λ∈{0,0.01,0.02,0.04,0.08,0.16,0.32,0.64,1.28,2.56,5.12,10.24});
  2. 创建一组不同阶的模型或者是其相应的变形体。
  3. 遍历参数 $\lambda_s$ ,对于每一个 $\lambda$ 都便利所有的模型来获得学习率 $\Theta$
  4. 在不进行正则化或是 $\lambda$ = 0的情况下,使用用$\lambda$计算出$\Theta$,再用 $J_{CV}(\Theta)$ 函数来计算交叉验证的误差。
  5. 选择在交叉验证集上产生最低错误的最佳组合。
  6. 使用最佳组合$\Theta$和$\lambda$,将其应用于$J_ {test}(\Theta)$检验$\Theta$,以查看问题是否具有良好的generalization。
暂无评论

发送评论 编辑评论


				
|´・ω・)ノ
ヾ(≧∇≦*)ゝ
(☆ω☆)
(╯‵□′)╯︵┴─┴
 ̄﹃ ̄
(/ω\)
∠( ᐛ 」∠)_
(๑•̀ㅁ•́ฅ)
→_→
୧(๑•̀⌄•́๑)૭
٩(ˊᗜˋ*)و
(ノ°ο°)ノ
(´இ皿இ`)
⌇●﹏●⌇
(ฅ´ω`ฅ)
(╯°A°)╯︵○○○
φ( ̄∇ ̄o)
ヾ(´・ ・`。)ノ"
( ง ᵒ̌皿ᵒ̌)ง⁼³₌₃
(ó﹏ò。)
Σ(っ °Д °;)っ
( ,,´・ω・)ノ"(´っω・`。)
╮(╯▽╰)╭
o(*////▽////*)q
>﹏<
( ๑´•ω•) "(ㆆᴗㆆ)
😂
😀
😅
😊
🙂
🙃
😌
😍
😘
😜
😝
😏
😒
🙄
😳
😡
😔
😫
😱
😭
💩
👻
🙌
🖕
👍
👫
👬
👭
🌚
🌝
🙈
💊
😶
🙏
🍦
🍉
😣
Source: github.com/k4yt3x/flowerhd
颜文字
Emoji
小恐龙
花!
上一篇
下一篇