正则化的概念与用处

正则化：也叫规范化，在神经网络里主要是对代价函数高次项添加一些惩罚，防止其过拟合，相当于对某些特征的权重施加惩罚，降低其影响权重，防止过拟合。欠拟合时需要去掉正则化，因为本来就特征不足，再惩罚一下就更没用了。正则化目标是获取最小的损失和模型复杂度。

“正则化”是机器学习中的一个术语，那么在解释正则化之前，不得不解释与之非常非常关系密切的另一个机器学习的术语“过拟合”…

“过拟合”是指机器学习在训练模型时，模型与训练数据贴合的太好了，好到误差基本接近于0了（就好比海尔兄弟似的，天天穿着裤衩子在一起，密不可分，不好意思跑题了…）如下最右边的图所示：

“过拟合”会导致模型的“泛化“”能力太差，那什么是“泛化“”能力呢？说的再通俗点，就是模型的通用能力，训练的模型如果只能适用于某种特定的即为苛刻条件，那么这个模型可用的范围，所能承受的抗干扰性（术语叫做鲁棒性）就太差了…

所以为了 防止模型出现“过拟合”的现象，于是就提出了“正则化”这一概念…

正则化正是为了防止训练模型时，产生过拟合的现象；

2.1参数正则化
参数正则化主要是对损失函数添加惩罚项

L2正则化：处处可导，计算简单。对绝对值较大的权重予以很重的惩罚，对于绝对值较小的权重予以很轻的惩罚，当权重趋于零时，几乎不惩罚。

L1正则化：L1正则化（Lasso正则化）通过在损失函数中加入参数的绝对值之和作为惩罚项，表示为λ∑|w|，其中 λ 是正则化系数。L1正则化的效果是使得部分参数变为0，从而达到稀疏化的效果。在模型稀疏化时，L2只能降低每项特征的权重，而不能抹去，这时L1就可以使大部分模型参数为0，起到稀疏化的效果。这也说明L1自带特征选择的功能。

2.2经验正则化
Dropout随机丢弃法就可以起到正则化的效果。

 

 再举一个理性的例子，点线（蓝色的···线）表示的是，在以圆圈表示的国家上训练的原始模型（没有正方形表示的国家），虚线（红色的—线）是我们在所有国家（圆圈和方形）上训练的第二个模型，实线是用与第一个模型相同的数据训练的模型，但是有一个正则化约束。
可以看到，正则化强制了模型的斜率较小：该模型与训练数据（圆圈）的拟合不如第一个模型，但它实际上更好地泛化了它没有在训练时看到的新实例（方形）。