Regulatory Regularization adalah teknik yang digunakan dalam pembelajaran yang diawasi untuk mencegah overfitting dengan menambahkan penalti pada kompleksitas model.Membantu meningkatkan generalisasi model untuk data yang tidak terlihat dan meningkatkan kinerja prediksinya.

Regulerisasi Pengertian Silek

Regulerisasi morfolasi modulasi fungsi kehilangan selama pelatihan dengan menyertakan istilah penalti. Jenis umum termasuk L1 regularisasi (Lasso) dan L2 regularisasi (Ridge). Metode ini mengontrol besarnya parameter model, mendorong model yang lebih sederhana.

Penghitungan Penghitungan Penghitungan Penghitungan Termasuk Regulerisasi

Dalam pembelajaran yang diawasi, fungsi kehilangan terreguler dapat dinyatakan sebagai:

Loss = Loss + asli + ul × Regularisasi Term

Di mana val α (lambda) adalah parameter regularisasi yang menentukan kekuatan keteraturan. Misalnya, dalam regresi Ridge, istilah regularisasi adalah jumlah koefisien kuadrat:

[[GALAL:0]] LOL × ⁇ (keefisienan)^2

Praktek Terbaik untuk Regulerisasi

  • FOCIN Pilih parameter regularisasi yang sesuai (L) melalui cross-validation.
  • Mulai dari nilai-nilai val kecil dan secara bertahap meningkat untuk mengamati efek pada kinerja model.
  • Use L1 regularisasi umuna L1 ketika pemilihan fitur diinginkan.
  • Regulasi kombinasi dengan skala fitur untuk hasil yang lebih baik.
  • Kesalahan pelatihan dan validasi monitor freidasi untuk menghindari ketidaksesuaian atau kelebihan.