為什么正則化有利于預防過擬合呢？

通過兩個例子來直觀體會一下。

左圖是高偏差，右圖是高方差，中間是Just Right。

現在來看下這個龐大的深度擬合神經網絡。知道這張圖不夠大，深度也不夠，但可以想象這是一個過擬合的神經網絡。這是的代價函數\(J\)，含有參數\(W\)，\(b\)。添加正則項，它可以避免數據權值矩陣過大，這就是弗羅貝尼烏斯范數，為什么壓縮\(L2\)范數，或者弗羅貝尼烏斯范數或者參數可以減少過擬合？

直觀上理解就是如果正則化\(\lambda\)設置得足夠大，權重矩陣\(W\)被設置為接近于0的值，直觀理解就是把多隱藏單元的權重設為0，于是基本上消除了這些隱藏單元的許多影響。如果是這種情況，這個被大大簡化了的神經網絡會變成一個很小的網絡，小到如同一個邏輯回歸單元，可是深度卻很大，它會使這個網絡從過度擬合的狀態更接近左圖的高偏差狀態。

但是\(\lambda\)會存在一個中間值，于是會有一個接近“Just Right”的中間狀態。

直觀理解就是\(\lambda\)增加到足夠大，\(W\)會接近于0，實際上是不會發生這種情況的，嘗試消除或至少減少許多隱藏單元的影響，最終這個網絡會變得更簡單，這個神經網絡越來越接近邏輯回歸，直覺上認為大量隱藏單元被完全消除了，其實不然，實際上是該神經網絡的所有隱藏單元依然存在，但是它們的影響變得更小了。神經網絡變得更簡單了，貌似這樣更不容易發生過擬合，因此不確定這個直覺經驗是否有用，不過在編程中執行正則化時，實際看到一些方差減少的結果。

再來直觀感受一下，正則化為什么可以預防過擬合，假設用的是這樣的雙曲線激活函數。

用\(g(z)\)表示\(tanh(z)\)，發現如果 z 非常小，比如 z 只涉及很小范圍的參數（圖中原點附近的紅色區域），這里利用了雙曲正切函數的線性狀態，只要\(z\)可以擴展為這樣的更大值或者更小值，激活函數開始變得非線性。

現在應該摒棄這個直覺，如果正則化參數λ很大，激活函數的參數會相對較小，因為代價函數中的參數變大了，如果\(W\)很小，

如果\(W\)很小，相對來說，\(z\)也會很小。

特別是，如果\(z\)的值最終在這個范圍內，都是相對較小的值，\(g(z)\)大致呈線性，每層幾乎都是線性的，和線性回歸函數一樣。

如果每層都是線性的，那么整個網絡就是一個線性網絡，即使是一個非常深的深層網絡，因具有線性激活函數的特征，最終只能計算線性函數，因此，它不適用于非常復雜的決策，以及過度擬合數據集的非線性決策邊界。

總結一下，如果正則化參數變得很大，參數\(W\)很小，\(z\)也會相對變小，此時忽略\(b\)的影響，\(z\)會相對變小，實際上，\(z\)的取值范圍很小，這個激活函數，也就是曲線函數\(tanh\)會相對呈線性，整個神經網絡會計算離線性函數近的值，這個線性函數非常簡單，并不是一個極復雜的高度非線性函數，不會發生過擬合。

大家在編程作業里實現正則化的時候，會親眼看到這些結果，總結正則化之前，給大家一個執行方面的小建議，在增加正則化項時，應用之前定義的代價函數\(J\)，做過修改，增加了一項，目的是預防權重過大。

如果使用的是梯度下降函數，在調試梯度下降時，其中一步就是把代價函數\(J\)設計成這樣一個函數，在調試梯度下降時，它代表梯度下降的調幅數量?？梢钥吹剑鷥r函數對于梯度下降的每個調幅都單調遞減。如果實施的是正則化函數，請牢記，\(J\)已經有一個全新的定義。如果用的是原函數\(J\)，也就是這第一個項正則化項，可能看不到單調遞減現象，為了調試梯度下降，請務必使用新定義的\(J\)函數，它包含第二個正則化項，否則函數\(J\)可能不會在所有調幅范圍內都單調遞減。

這就是\(L2\)正則化，它是在訓練深度學習模型時最常用的一種方法。

總結

以上是生活随笔為你收集整理的神经网络优化篇：为什么正则化有利于预防过拟合呢？（Why regularization reduces overfitting?）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。