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

2337 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

2年前

mshare

挑战失败

2年前

mshare

挑战失败

2年前

mshare

挑战失败

2年前

chay99

挑战成功

3年前

lizhuoyuan

挑战成功

3年前

lizhuoyuan

挑战失败

3年前

lizhuoyuan

挑战失败

3年前

lizhuoyuan

挑战失败

3年前

挑战成功

3年前

选项 A 选项 B 选项 C 选项 D

提交答案