我目前正在 coursera 上学习 ML,并借助 Andrew Ng 的 ML 类(class)。我在 python 中执行作业,因为我更习惯它而不是 Matlab。我最近遇到了一个关于我对正则化主题的理解的问题。我的理解是,通过进行正则化,人们可以添加在预测中足够重要的不太重要的特征。但是在实现它时,我不明白为什么在计算成本时会跳过 theta(parameters) 的第一个元素,即 theta[0] 。我已经提到了其他解决方案,但他们也做了相同的跳过但没有解释。
这是代码:
`
term1 = np.dot(-np.array(y).T,np.log(h(theta,X)))
term2 = np.dot((1-np.array(y)).T,np.log(1-h(theta,X)))
regterm = (lambda_/2) * np.sum(np.dot(theta[1:].T,theta[1:])) #Skip theta0. Explain this line
J=float( (1/m) * ( np.sum(term1 - term2) + regterm ) )
grad=np.dot((sigmoid(np.dot(X,theta))-y),X)/m
grad_reg=grad+((lambda_/m)*theta)
grad_reg[0]=grad[0]
`
公式如下:
这里 J(theta) 是成本函数 h(x) 是 sigmoid 函数或假设。 lamnda 是正则化参数。
最佳答案
Theta0 指的是偏差。 当我们希望正确划分决策边界时,偏见就会出现。只考虑一个例子
Y1=w1 * X 然后 Y2= w2 * X
当 X 的值接近于零时,可能会出现很难将它们分开的情况,这会导致角色产生偏见。
Y1=w1 * X + b1 且 Y2= w2 * X + b2
现在,通过学习,决策边界将始终清晰。
让我们考虑一下为什么现在使用正则化。
这样我们就不会过度拟合,并且平滑曲线。正如您所看到的方程,它的斜率 w1 和 w2 需要平滑,偏差只是分离的截距。因此,在正则化中使用它们是没有意义的。
虽然我们可以使用它,但对于神经网络来说它不会有任何区别。但我们可能会面临大幅降低偏差值的问题,以至于可能会混淆数据点。因此,最好不要在正则化中使用偏差。
希望它能解答您的问题。 最初发布:https://medium.com/@shrutijadon10104776/why-we-dont-use-bias-in-regularization-5a86905dfcd6
关于python - 为什么在回归正则化时跳过 theta0?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54017246/