Regulariseerimine (L1, L2)
Regulariseerimine on masinõppes kasutatav mudeli optimeerimise tüüp, mis aitab vältida ülepaigutamist. Ülesobitamine on probleem, mille puhul mudel muutub liiga kohandatud treeningandmete kogumi iseärasustele, selle asemel, et üldistada uutele, nähtamatutele andmetele. Reguleerimine aitab selle vastu võidelda ja aitab mudelitel teha täpseid ennustusi.
Kaks levinumat regulatsiooni tüüpi on L1 ja L2.
L1 Regulariseerimine
Tuntud ka kui LASSO regressioon, L1 reguleerimine on meetod, mida kasutatakse mudeli keerukuse vähendamiseks. See teeb seda, vähendades mõne parameetriga seotud kaalu, mis omakorda eemaldab mudelist harva esinevad, mürarikkad või ebaolulised funktsioonid. See aitab mudelil muutuda üldistatumaks ja vähem kalduvaks liigseks sobitamiseks. Lisaks aitab L1 reguleerimine ka funktsioonide valimist lihtsamaks muuta.
L2 Regulariseerimine
Erinevalt L1 regulaarsusest ei vähenda L2 regulaariseerimine mõne parameetri kaalu. Selle asemel lisatakse karistustähtaeg, mis karistab suurte kaalude eest. Sel moel soodustab L2 reguleerimine kaalude jäämist võimalikult väikeseks, mis omakorda aitab vähendada mudeli keerukust. Lisaks, kuna karistustähtaeg karistab ainult suuri raskusi, võimaldab see kasutada mittelineaarseid mudeleid, mida L1 reguleerimine ei võimalda.
Kokkuvõte
Regulariseerimine aitab optimeerida masinõppemudeleid, vältides ülepaigutamist ja hõlbustades funktsioonide valikut. Kaks levinumat regulatsiooni tüüpi on L1 ja L2, millel on mudeli keerukuse vähendamiseks veidi erinevad lähenemised. Reguleerimismeetodite kasutamine võib aidata parandada masinõppemudelite täpsust ja usaldusväärsust.