切点处的解是否是最优解?

根据我对这篇文章的理解,蓝色圆圈是等高线,蓝色点是最小化成本函数的最优解。黄色圆圈是L2范数约束。

我们需要的解是尽可能最小化成本函数,并且同时在圆圈内。也就是说,解是黄色圆圈与等高线的切点。

但是,我的疑问是,如果切点处的W值并未完全最小化成本函数,为什么这可以被视为解呢?只有蓝色点才是最小化成本函数的点。

enter image description here


回答:

在没有约束的情况下,蓝色点是最小化成本函数的。如果最小化受到L2范数的约束,那么蓝色点不能作为解,因为它违反了约束。因此,w*点才是解。

使用L2约束的原因是,我们试图最小化测试数据上的误差,而不是训练数据上的误差(即我们并不是直接关注最小化损失函数)。更简单的解(具有较小的L2范数)往往过拟合较少,因此我们期望测试误差与训练误差之间的差距较小(这是我们所期望的)。

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注