✍个人博客：https://blog.csdn.net/Newin2020?spm=1011.2415.3001.5343
📣专栏定位：为学习吴恩达机器学习视频的同学提供的随堂笔记。
📚专栏简介：在这个专栏，我将整理吴恩达机器学习视频的所有内容的笔记，方便大家参考学习。
📝视频地址：吴恩达机器学习系列课程
❤️如果有收获的话，欢迎点赞👍收藏📁，您的支持就是我创作的最大动力💪

六、过拟合及正则化

1. 过拟合问题

在开始介绍这节课内容之前，我们先来看一个线性回归的例子。

左图我们发现，所用的假设函数是一条直线，所以无法很好拟合数据，这我们称之为欠拟合（高偏差），中图即是最理想的拟合曲线，而右图的曲线就显得十分扭曲，但它经过了所有的数据点，可我们最后还是不能用它去预测新的数据，这我们称之为过拟合（高方差），当然除了线性回归问题，逻辑回归同样可能会出现过拟合的现象。

过拟合（Overfitting）

这种问题，通常会出现在过量变量但数据过少的情况，J(θ)的值会接近于0，但却无法去预测新样本。

想要解决过拟合问题有下面两种方法：

• 减少变量的数量

  • 可以人工的去选择一些可以删除的变量。
  • 也可以用之后要讲到的算法模型，去自动筛选变量。

  缺点：这种方法，可能会导致一些有用变量的丢失，失去了一些有效信息。

• 正则化（Regularization）

  • 保留所有变量，但是减小量级（magnitude）或者参数θ_j的大小。

  优点：这种方法可以很好地确保那些对y的预测有帮助的变量不会丢失。

2. 正则化

正则化（Regularization）

通过减小对结果没什么用的θ值使其值接近于零，从而弱化其对结果的影响，简化函数。

线性回归的正则化

其正则化的代价函数如下：

在代价函数中表示正则化的是上图的公式中带λ的式子，因为不知道哪个参数会对结果产生影响，所以就交给模型去判断该减小哪个θ值，所以选择都进行减小。其中λ是用来平衡正则化式子与其左边优化式子的关系，而将θ平方是为了防止正负号影响结果。但是如果λ值过大的话，可能会使所有参数都趋于0，那得出的曲线就接近于一条曲线了。

• 梯度下降

  在线性回归中使用正则化时，如果用梯度算法，则其中对J(θ)求θ偏导的式子也会有一点改变，实际上就在θ_j公式后面加一个(λ/m)θ_j小式子。

​ 我们通过将含θ_j的项合并，可以得到1-α(λ/m)，而这个式子其实之比1小一点点，可能是0.99，这样将0.99×θ_j每次 就只会缩小θ_j一点点，后面的式子都跟之前所示一样。

• 正规方程

  在正规方程中用正则化，只需在原来的公式中加上一个λ×一个矩阵即可。

  

  用正则化有一个好处就是可以解决一些矩阵不可逆的问题，因为前面我们讲到，如果样本数量比特征数量还要大时(X^TX)^-1是不可逆的，但是如果用正则化的话，只要保证λ大于0，就可以保证其中逆矩阵的式子一定可逆。

  

逻辑回归的正则化

其正则化的代价函数如下：

其实与线性回归的正则化代价函数的相似之处，都在原有函数后加上一个正则化公式。

• 梯度下降

​ 式子与线性回归的梯度下降很相似，表面上没什么区别，但还是那个原因，两者的假设函数不同。

• 高级优化函数

  

  ​ 这里还是类似，同样是在公式后面加上了一个正则化的式子。