Nga pikëpamja praktike, L1 tenton t'i zvogëlojë koeficientët në zero, ndërsa L2 tenton t'i zvogëlojë koeficientët në mënyrë të barabartë. Prandaj, L1 është e dobishme për zgjedhjen e veçorive, pasi ne mund të heqim çdo ndryshore të lidhur me koeficientët që shkojnë në zero. L2, nga ana tjetër, është i dobishëm kur keni veçori kolineare/të varura.
Cili është përdorimi i rregullimit Çfarë janë rregullimi L1 dhe L2?
Rregullimi
L1 jep rezultate në peshat binare nga 0 në 1 për veçoritë e modelit dhe është miratuar për zvogëlimin e numrit të veçorive në një grup të dhënash me dimensione të mëdha. Rregullimi L2 shpërndan termat e gabimit në të gjitha peshat që çojnë në modele përfundimtare më të sakta të personalizuara.
Cilat janë ndryshimet midis rregullimit L1 dhe L2?
Dallimi kryesor intuitiv midis rregullimit L1 dhe L2 është se rregullimi L1 përpiqet të vlerësojë mesataren e të dhënave ndërsa rregullimi L2 përpiqet të vlerësojë mesataren e të dhënave për të shmangur mbipërshtatjen. … Kjo vlerë do të jetë gjithashtu mesatarja e shpërndarjes së të dhënave matematikisht.
Çfarë është rregullimi i L1 dhe L2 në mësimin e thellë?
Rregullimi
L2 njihet edhe si zbërthimi i peshës pasi i detyron peshat të zbehen drejt zeros (por jo saktësisht zero). Në L1, kemi: Në këtë, penalizojmë vlerën absolute të peshave. Ndryshe nga L2, peshat mund të reduktohen në zero këtu. Prandaj, është shumë e dobishme kur përpiqemi të ngjeshimmodeli ynë.
Si funksionon rregullimi i L1 dhe L2?
Një model regresioni që përdor teknikën e rregullimit të L1 quhet Regresioni Lasso dhe modeli që përdor L2 quhet Regresioni Ridge. Dallimi kryesor midis këtyre dyve është afati i dënimit. Regresioni i kreshtës shton "madhësinë në katror" të koeficientit si term penaliteti në funksionin e humbjes.
