吴恩达《机器学习》学习笔记六——过拟合与正则化
吴恩达《机器学习》学习笔记六——过拟合与正则化
上一个笔记介绍了第二个机器学习算法——逻辑回归，主要用于解决分类问题，应用非常广泛。这一次我们学习一下过拟合和正则化的概念，并将正则化技术运用到已学的线性回归和逻辑回归模型上，来减小过拟合的问题。
一、 过拟合问题
在学习正则化的概念之前先看一下过拟合的问题。线性回归和逻辑回归在实际应用时，都可能因为假设函数选择的原因或是数据集的原因导致过拟合。
1.线性回归过拟合问题
对于房价预测问题，我们之前是使用左边这个图的假设函数去拟合数据，可以看出，不论怎么优化参数，直线也无法很好的拟合所有数据，这时就被称为是欠拟合的情况，存在高偏差，这是因为假设函数过于简单，无法拟合较为复杂的数据。
再看中间的图，在原来的假设函数上加上了一个平方项，优化后的结果则很好的拟合了数据集，此时是最佳状态。
最后看右边的图，假设函数包含了一些较高次幂的项，使得假设函数过于复杂，虽然能拟合已有的所有数据，但是很显然这个曲线有波动，房子的面积越大甚至价格出现了越低的情况，这显然是不对的，而且若此时添加进来一些新的数据，很可能就不能很好的拟合，这样的问题被称为过拟合，存在高方差，假设函数过于复杂，过度学习了已有数据的特征，它的定义如下所示：
这里可能涉及到训练误差和泛化误差的概念，训练误差是指训练数据集在假设函数上产生的误差，泛化误差是指模型训练好之后，给定新的数据在假设函数上产生的误差，用以估计模型应用到到新样本的能力。那么欠拟合的情况，训练和泛化误差都高，而过拟合的情况，训练误差很低，泛化误差则很高。
2.逻辑回归过拟合问题
参考线性回归的例子，下面逻辑回归的三种情况分别为欠拟合、拟合良好和过拟合的情况。
3.过拟合的解决
产生过拟合的原因较多，其中很常见的一个是数据样本的数量比特征的数量还要少。所以有如下两种常见的解决过拟合的办法：
一个是在数据集有限的情况下，减少特征的数量来减少过拟合问题，可以人工手动选择减少哪些特征，也可以使用一些算法来衡量减少哪些特征。这种方法的缺点就是需要丢弃一些特征，这就有可能丢弃了一些信息。
二是如果不希望丢弃信息或者是不知道如何选择特征，想保留所有特征时，可以使用正则化方法，正则化方法利用正则化项来减小相关参数的大小，减轻它对预测的贡献，相应的就减轻了过拟合问题。
二、 正则化后的代价函数
1.正则化思想
首先来看一个线性回归的例子：
左边是良好拟合，右边是过拟合。要解决过拟合的问题，我们希望θ_3,θ_4两个参数非常小，当它们很小的时候，对预测结果的贡献就非常小，甚至可以忽略，从而解决过拟合问题。所以我们在原来的代价函数上进行了修改，变成如下所示：
因为这是一个最小化的式子，加上有关θ_3,θ_4的两项，因为其系数较大，所以这两个参数在最小化表达式的过程中必须变得较小，才能使得总体很小，所以这样可以达到使得θ_3,θ_4很小接近于0的目的，从而减轻过拟合。那么这两项就可以被称为正则化项。
还是使用原来过拟合的假设函数，当代价函数加上正则化项之后优化，结果就会从下面的蓝色曲线变成紫红色曲线，从而与良好拟合的情况接近，算是达到了解决过拟合的问题：
正则化思想可以简单归结如下：使参数值非常小，从而几乎消除它的贡献，使得假设函数更简单，这样就更不可能过拟合。
2.实际使用的正则化
但是在大多数问题中，你不能像刚刚那样看出哪些参数应该被惩罚，哪些应该保留，尤其是参数量非常多的时候，如下所示：
所以索性将所有的参数都减小，这样使得所有的参数都不会很大，也就使得假设函数不会过于复杂，达到解决过拟合的效果。
而在实际应用中，也基本都是使用将所有参数都加到代价函数中去的方法，如下所示，使用前后的变化，就是蓝色曲线变成了紫红色曲线：
其中的λ被称为正则化系数，它是平衡假设函数的关键。如果它被设置的太大的话，如下所示：
会使得所有的参数都接近于0，那么假设函数接近于是一个常数函数，过于简单，变成了欠拟合的情况。所以为了正则化的效果，需要合理地选择正则化参数的大小，过大会使得模型过于简单，过小又达不到解决过拟合的要求。
三、 正则化的线性回归
根据上面对正则化的介绍，线性回归加上正则化之后的代价函数如下所示：
1.梯度下降的情况
相应的，它对应的梯度下降表达式如下图所示：
因为正则化的惩罚项中不包含θ_0，所以它的更新与原来不加正则化时一样。
2.正规方程的情况
正规方程的方法是将代价函数的导数设置为0，从而求出的表达式，也就将变成如下所示：
四、 正则化的逻辑回归
逻辑回归加上正则化之后的代价函数如下图所示：
1.梯度下降的情况
对代价函数求导后更新参数，发现形式与线性回归几乎一模一样，但是需要注意的是，假设函数h(x)的表达式是完全不同的，所以和线性回归的梯度下降表达式内容也是完全不同的。
2.高级优化算法的情况
略