ከተግባራዊ እይታ አንጻር L1 ኮፊፊሴፍቶችን ወደ ዜሮ የመቀነስ አዝማሚያ ሲኖረው L2 ግን ጥምርቶችን በእኩል መጠን የመቀነስ አዝማሚያ አለው። L1 ስለዚህ ለባህሪ ምርጫ ይጠቅማል፣ ምክንያቱም ወደ ዜሮ የሚሄዱትን ከኮፊፊሸንት ጋር የተያያዙ ማናቸውንም ተለዋዋጮች መጣል እንችላለን። L2፣ በሌላ በኩል፣ ኮላይኔር/ኮፔዲየር ባህሪያት ሲኖርዎት ይጠቅማል።
የመደበኛነት ጥቅሙ L1 እና L2 መደበኛነት ምንድናቸው?
L1 መደበኛነት በሁለትዮሽ ክብደት ከ0 ወደ 1 ለአምሳያው ባህሪያት ይሰጣል እና በትልቅ ልኬት የውሂብ ስብስብ ውስጥ ያሉ የባህሪያትን ብዛት ለመቀነስ ተቀባይነት አግኝቷል። የL2 መደበኛነት የስህተት ቃላቶችን በሁሉም የክብደት መጠኖች ያሰራጫል ይህም ይበልጥ ትክክለኛ ወደሆኑ ብጁ የመጨረሻ ሞዴሎች ይመራል።
በL1 እና L2 መደበኛነት መካከል ያለው ልዩነት ምንድን ነው?
በL1 እና L2 መደበኛነት መካከል ያለው ዋናው የሚታወቅ ልዩነት L1 መደበኛነት የመረጃውን አማካይ ለመገመት ሲሞክር የL2 መደበኛነት ከመጠን በላይ እንዳይገጣጠም የመረጃውን አማካይ ለመገመት ሲሞክር ። … ያ እሴት እንዲሁ በሂሳብ የውሂብ ስርጭት መካከለኛ ይሆናል።
L1 እና L2 በጥልቅ ትምህርት መደበኛነት ምንድነው?
L2 መደበኛ ማድረግ ክብደቶች ወደ ዜሮ እንዲበላሹ ስለሚያስገድድ (ነገር ግን በትክክል ዜሮ ሳይሆን) የክብደት መበስበስ በመባልም ይታወቃል። በL1 ውስጥ፣ በዚህ ውስጥ፣ የክብደቶችን ፍፁም እሴት እንቀጣለን። እንደ L2 ሳይሆን፣ ክብደቶቹ እዚህ ወደ ዜሮ ሊቀነሱ ይችላሉ። ስለዚህ, ለመጭመቅ ስንሞክር በጣም ጠቃሚ ነውየእኛ ሞዴል።
L1 እና L2 መደበኛ ማድረግ እንዴት ነው የሚሰራው?
የመመለሻ ሞዴል የኤል 1 መደበኛ አሰራር ዘዴን የሚጠቀም Lasso Regression ይባላል እና L2ን የሚጠቀም ሞዴል ሪጅ ሪግረስሽን ይባላል። በእነዚህ በሁለቱ መካከል ያለው ቁልፍ ልዩነት የቅጣት ጊዜ ነው። Ridge regression የኪሳራ ተግባር ላይ የቅጣት ቃል "አራት ማዕዘን መጠን" ይጨምራል።
