机器学习---正则化

正则化的目的是为了防止过拟合，降低模型的复杂度。

正则化的打开方式：

在目标函数后面添加一个系数的“惩罚项”。

式中，  是一个常数，  为样本个数，  是一个超参数，用于控制正则化程度。

1、L1正则化：在目标函数后面加了所有特征系数的绝对值之和。L1正则化更适用于特征选择，每次更新过程中会减去或加上一个常数，容易产生特征系数为 0 的情况，因此会让特征变得稀疏。

2、L2正则化： 在目标函数后加上了所有特征系数的平方和。L2正则化更适用于防止模型过拟合，每次更新时对特征系数进行一个比例的缩放，这会让系数趋向变小而不会变为 0，因此L2正则化会让模型变得更简单，防止过拟合，而不会起到特征选择的作用。

 3、dropout：每一次的迭代中都会随机删除，只训练剩下的节点，每次迭代删除的节点不一样，相当于每次迭代训练的都是不一样的网络。

设置一个超参数 keep_prob，比如将 keep_prob 设置为 0.7，那么就会随机30%的节点消失，消失这个动作其实很简单，只是将这一层的参数矩阵与根据 keep_prob 生成的 {0, 1} 矩阵做 逐点乘积，

 https://www.jianshu.com/p/569efedf6985