鲁同学2021-12-15 12:45:20
鲁同学数量里，regularization 和 generalization 中文意思，和区分，不太懂，谢谢！
回答（1）
Essie2021-12-15 14:48:15
Essie你好，regularization是正则化，通过对模型的预测能力不会产生实质性贡献的特征进行惩罚，来降低模型的复杂性，构建简洁的模型，正则化可以起到降低过拟合的问题。generalization是泛化，将样本的sample规律应用于外部的新数据，对新的数据做预测，好的泛化是指对样本内外的数据都能有很高的解释力度，但如果已有的算法不能很好地推广或者泛化到新数据，称之为欠拟合。
如果我的回答有帮助到你的话，请点赞支持一下我们，加油哦；)
- 评论（0）
- 追问（2）
- 追问
-
补问一句，LASSO里，为什么SSE+λPenalty，这什么意思，惩罚项目的是减少不必要或者没有意义的features，怎么features增加，惩罚也增加？
另外原版书数量P263，第1题，A貌似也错，原文中新的数据表现不好，按理没有解释力，谢谢！
- 追答
-
你好，(SSE+lambda *b^求和)这个是LASSO的公式，LASSO用来减少过拟合问题的原理就是，最小化(SSE+lambda *b^求和)，如果feature增加，惩罚项增加，整体指标增加，说明模型可能出现过拟合问题。所以建模者需要尽量用更少的features，那么惩罚项也会少一些，因此指标出来的值也会小一些，即模型更好。
另外关于原版书P263，原文中说模型对于样本内数据有很好的解释力度，但是对于新数据的解释力度不佳，这代表模型的泛化不够好，可能出现了过拟合问题。A选项说的是模型对于新数据仍存有解释力度，这句话是没有问题的，是正确的。模型存在过拟合问题，并不是说这个模型就完全不能解释新数据了，是依旧能解释的，只是解释力度不佳而已。
评论
0/1000
追答
0/1000
+上传图片