在Logistic Regression 中,如果同时加入L1和L2范数,不会产生什么效果()

2190 次浏览
  • A、以做特征选择,并在一定程度上防止过拟合
  • B、能解决维度灾难问题
  • C、能加快计算速度
  • D、可以获得更准确的结果
小开
答案解析
之前的解析 有些问题，特完善如下。L1范数是向量中各个元素的绝对值之和，又叫稀疏规则算子。L1正则化通过向代价函数中添加权重向量的L1范数（即正则化项），使得优化后的模型中无用特征对应的权值变为0，相当于减少了特征维数，实现了特征的自动选择，所以LR中加入L1范数可以进行特征选择、解决维度灾难问题、加快计算速度；L2范数是向量中各个元素平方和的1/2次方。L2正则化通过向代价函数中添加权重向量的L2范数，使得优化后的模型中所有的权值w尽可能趋于0但不为0，通过L2范数，可以实现对模型空间的限制，从而在一定程度上避免了过拟合；过拟合的时候，拟合函数需要顾忌每一个点，最终形成的拟合函数波动很大， 在某些小区间里，函数值的变化很大，也就是w非常大。所以LR中加入L2范数可以在一定程度上防止过拟合；在LR中同时加入L1和L2范数不会产生结果更准确的效果。
mshare
挑战成功
1年前
mshare
挑战失败
1年前
mshare
挑战失败
1年前
mshare
挑战失败
1年前
chay99
挑战成功
2年前
lizhuoyuan
挑战成功
2年前
lizhuoyuan
挑战失败
2年前
lizhuoyuan
挑战失败
2年前
lizhuoyuan
挑战失败
2年前
gy
挑战成功
2年前

提交答案
微信公众号
有课学公众号
  • 微信公众号: geekdaxue