machine-learning - L1-regularization:在哪里使用惩罚成本函数?
问题描述
L1 正则化在成本函数中添加了一个惩罚项以限制权重的大小。我是否正确理解这个惩罚成本函数仅用于优化步骤而不用于计算模型的损失?例如,要计算验证集中模型的损失,要使用未惩罚的损失函数吗?
解决方案
是的你是对的。损失函数衡量模型预测与目标值的差异。惩罚项用于防止过度拟合。
推荐阅读
- c++ - 有没有办法在不破坏窗口/上下文的情况下切换全屏?
- spring-security - Spring boot-如何在浏览器关闭或所有选项卡关闭但不在单个选项卡关闭时终止会话
- java - 使用和解析 URL 为 -Djavax.net.ssl.trustStore=
在 JAVA_OPTS PCF 中 - java - 在 Tensorflow 中使用 java api 保存训练好的模型
- node.js - 使用 NoSQL 数据库部署应用程序
- c++ - 使用模板模板参数专门化基类
- rpm - rpmbuild 跳过“检查未打包的文件/usr/lib/rpm/check-files”
- sql - 在 SQL 查询输出中包括没有值的行
- c# - 如何找到从某个 BaseClass 继承的类型
- java - 更新到版本 3.1.2 后的 Android Studio 编译问题