机器学习-正则化

 目前为止我们已经学习了两种机器学习的方法了。如果你去实践，会发现很多问题，其中一项很可能就是过拟合（overfit）的问题。

什么是过拟合呢？

过拟合就是我们在学习中，对样本的拟合非常好，但是一旦对新的样本就完全失效。

这类问题以后还会有分析，究其原因，我们使用模型中某些特征的影响被放大了（多项式高指数），这是我们需要“惩罚”这些特征，是的参数减少。来看下面的例子：

 Andrew老师还是用房价预测的模型来举例，这里明显看到右边的过拟合了，我们看模型，θ3和θ4的特征明显被放大，3次方和4次方。为了减小θ3和θ4对应的特征的影响，我们需要是的θ3和θ4足够小，于是在cost方法中加入红框中所示的项，这样，用θ3和θ4乘以一个非常巨大的数字，达到“惩罚”的目的，如果这个巨大的数字非常大，那么θ3和θ4就趋向于0，也就是没有，那么就等同于没有θ3和θ4这两项。

为什么不直接去掉 这两项呢？

这里Andrew老师并没有直接说明，而是对比了两种做法。当然，直接去掉，会使得一部分信息丢失，甚至严重的可能造成underfit（bias）问题。关于 bias和variance的问题我们还会有专门的章节说明。

好了，这里还没有说到Regularation（正则化)，但是其思想和主要解决的问题已经浮出水面。我们要惩罚那些使得造成过拟合的特征参数，所以用我们的cost函数增加“一个”项，并且乘以一个数，这里不是巨大的数字，这样会使得θ趋向于零，所以，我们选择一个合适的参数，可以叫做λ。接下来，哪一个特征项我们要“惩罚”呢？

上面的例子中，我们对θ3和θ4进行了“惩罚”，但是实际 中，我们可能不知道该惩罚哪一个，所以我们就只能全部加在一起。

这里还要注意，对θ0不进行正则化，因为θ0对应的特征也是一个常数1

对于这里的θ最后变成θ^2,是因为还有梯度下降算法，在梯度下降算法中，我们要对θ求偏导数，θ^2的导数就是θ

而这里把所有的θ都加起来，那么我们又如何知道是要“惩罚”谁，或者那一项需要加大惩罚力度呢？

实际上这还是梯度下降算法中导数的神奇，对于那些高阶函数，导数变化自然也就快，惩罚力度也就自然大。请看梯度下降算法的正则化

到此，正则化讲完。可是，线性回归和逻辑回归是一样的吗？

这里只有一幅图，看似一样，实则不然，因为hθ不一样！！

逻辑回归的hθ(x)=1/(1+e^-θT(x))

如果你遇到过拟合的问题，请试试正则化。