Ang regularisasyon ay isang pamamaraan na ginagamit sa pangangasiwang pagkatuto upang maiwasan ang labis na pag-aangkop sa pamamagitan ng pagdaragdag ng parusa sa pagiging komplikado ng modelo. ito ay tumutulong sa pagpapabuti ng paglalahat ng modelo sa hindi nakikitang datos at pagpapataas ng prekwensiyang pagganap nito.
Pag - unawa sa Regularisasyon
Ang regularisasyon ay nagreresulta sa pagkawala sa panahon ng pagsasanay sa pamamagitan ng paglakip ng isang termino ng parusa. ang mga karaniwang uri ay kinabibilangan ng L1 regularisasyon (Lasso) at L2 regularisasyon (Ridge). Ang mga paraang ito ay kumukontrol sa magnitude ng mga model parameter, na nagpapatibay ng mas simpleng mga modelo.
Mga Pagkalkula na Nag - aalis ng Regular na Pagkukuwenta
Sa pinag - aralang pangangasiwa, ang regular na pagkawala ay maaaring ipahayag na:
Loss = Original Loss + ⁇ ⁇ Regularization Term[]
Kung saan ang musbda (lambda) ay ang regularisasyong parameter na nagtatakda ng lakas ng regularisasyon. halimbawa, sa Ridge regression, ang regularisasyong kataga ay ang kabuuan ng mga parisukat na cofit:
⁇ ⁇ ( / ⁇ s ⁇ ] ( / ⁇ p ⁇ lərə]) (
Pinakamabuting mga Gawain Para sa Regularisasyon
- Pumili ng angkop na regularisasyon parameter (Gerver) sa pamamagitan ng cross-validation.
- Magsimula sa maliliit na halaga ng mga muskulo at unti-unting dumami upang maobserbahan ang mga epekto sa modelong pagganap.
- Gumamit ng L1 regularization kapag nais ang pagpili ng tampok.
- Pagsamahin ang regularisasyon sa tampok na pag - ahon para sa mas mabuting mga resulta.
- Pagsasanay sa mga motorista at mga pagkakamali sa pag - iingat upang maiwasan ang pagiging di - nababagay o labis na pag - aakma.