机器学习中的范数规则化-L0,L1和L2范式【很棒的一篇文章！】

冷不防 2022-06-06 10:49 274阅读 0赞

监督学习的过程可以概括为：最小化误差的同时规则化参数。最小化误差是为了让模型拟合训练数据，规则化参数是为了防止过拟合。参数过多会导致模型复杂度上升，产生过拟合，即训练误差很小，但测试误差很大，这和监督学习的目标是相违背的。所以需要采取措施，保证模型尽量简单的基础上，最小化训练误差，使模型具有更好的泛化能力（即测试误差也很小）。

范数规则化有两个作用：

1）保证模型尽可能的简单，避免过拟合。

2）约束模型特性，加入一些先验知识，例如稀疏、低秩等。

一般来说，监督学习中最小化的目标函数结构如下：

[![0024jHPsgy6VgQYyh2c7c][]][0024jHPsgy6VgQYyh2c7c 1]

其中第一项L用于计算模型预测值与样本真实值之间的误差，优化目标是希望该项尽可能小（即训练误差尽可能小）。第二项Ω用于对参数进行规则化，保证模型尽可能简单，避免过拟合。

规则化函数Ω有多重选择，不同的选择效果也不同，不过**一般是模型复杂度的单调递增函数——模型越复杂，规则化值越大。**例如，可以是模型中参数向量的范数。常见的选择包括零范数，一范数，二范数等。下面挑选部分范数简单说明。

1 L0范数和L1范数

L0范数是指向量中非零元素的个数。如果用L0规则化一个参数矩阵W，就是希望W中大部分元素是零，实现稀疏。

L1范数是指向量中各个元素的绝对值之和，也叫”系数规则算子（Lasso regularization）“。L1范数也可以实现稀疏，通过将无用特征对应的参数W置为零实现。

L0和L1都可以实现稀疏化，不过一般选用L1而不用L0，原因包括：1）L0范数很难优化求解（NP难）；2）L1是L0的最优凸近似，比L0更容易优化求解。（这一段解释过于数学化，姑且当做结论记住）

稀疏化的好处是是什么？

1）特征选择

实现特征的自动选择，去除无用特征。稀疏化可以去掉这些无用特征，将特征对应的权重置为零。

2）可解释性（interpretability）

例如判断某种病的患病率时，最初有1000个特征，建模后参数经过稀疏化，最终只有5个特征的参数是非零的，那么就可以说影响患病率的主要就是这5个特征。

2 L2范数

L2范数是指向量各元素的平方和然后开方，用在回归模型中也称为岭回归（Ridge regression）。

L2避免过拟合的原理是：让L2范数的规则项||W||2 尽可能小，可以使得W每个元素都很小，接近于零，但是与L1不同的是，不会等于0；这样得到的模型抗干扰能力强，参数很小时，即使样本数据x发生很大的变化，模型预测值y的变化也会很有限。

L2范数除了避免过拟合问题，还有一个优点是有助于处理condition number不好的情况下，矩阵求解困难的问题。condition number是对系统ill-condition程度的一个衡量标准。假设有方程组Ax=b，需要求解x。如果A或者b发生轻微改变，就会使得x的解发生很大变化，那么这个方程组系统就是ill-condition的，反之就是well-condition的。下图为例说明：

[![0024jHPsgy6VgXqnrgM84][]][0024jHPsgy6VgXqnrgM84 1]

第一行是两个原始的方程序系统；第二行对系统的b做出轻微修改，左侧方程组的解发生较大变化，右侧的变化不明显；第三行对系统的A做出轻微修改，同样左侧系统的解发生较大变化，右侧的变化不明显。这说明左侧的系统是ill-condition的，右侧的是well-condition的。

具体到通过训练数据建立的模型中时，ill-condition可以说就是不稳定的，当输入的样本数据发生变化时，预测结果就会不准确。condition number就是用来对系统的ill-condition程度进行衡量的，condition number值小的就是well-condition，反之为ill-condition。

3 L1和L2的差别

1）下降速度

建立模型的过程中，会尝试最小化损失函数，这个过程就像一个下坡的过程，L1和L2的差别在于坡的斜率，如下图所示。

[![0024jHPsgy6Vh30QYMY8c][]][0024jHPsgy6Vh30QYMY8c 1]

2）模型空间的限制

使用L1,L2范式建立模型时，损失函数可以写成如下形式：

[![0024jHPsgy6Vh4mjWb19b][]][0024jHPsgy6Vh4mjWb19b 1]

可以说成是将模型空间限制在w的某个范围内，如下图所示，在（w1,w2）空间上可以画出目标函数的等高线，约束条件则是平面上半径为C的一个norm ball，等高线与norm ball首次相交的地方就是最优解。

[![0024jHPsgy6Vh4wTaJOc8][]][0024jHPsgy6Vh4wTaJOc8 1]

通过对比可以看出，L1-ball和L2-ball的不同在于L1在和每个坐标轴相交的地方都有”角“出现，与目标函数相交的地方也是在角的位置。角的位置就容易产生稀疏性，例如图中的交点处w1=0。L2就没有这样的性质，因为没有角，相交的位置有稀疏性的概率就非常低，从直观上解释了为什么L1能够产生稀疏性而L2就不行。

总结一下就是：L1范式会趋向于产生较少的特征，在特征选择时很有用；L2会选择更多特征，但对应权值接近零。

4 规则化参数的选择

再来看模型的目标函数

[![0024jHPsgy6Vh5ZoqQJ5d][]][0024jHPsgy6Vh5ZoqQJ5d 1]

这其中除了损失函数，规则项以外，还包括参数λ，称为hyper-parameters（超参）。该参数用于平衡损失函数和规则项的，λ越大，则规则项的作用越重要，就是说相比于拟合训练数据，更希望模型能够满足约束条件Ω(w)的特性，反之亦然。举个极端的例子，如果λ=0，规则化项不起作用，就是希望模型能够最小化损失函数项，当模型拟合了所有训练数据时损失函数项最小，但这样得到的模型对于新的数据泛化能力就非常差，产生了过拟合。由此可知，需要协调λ的值，使得模型即具有较小的训练误差，又具有很好的泛化能力。最常用的方法是交叉验证，实验不同的λ值。

[0024jHPsgy6VgQYyh2c7c]: /images/20220606/db133ea91fdc419cae8734cd874bd12b.png
[0024jHPsgy6VgQYyh2c7c 1]: http://photo.blog.sina.com.cn/showpic.html#blogid=&url=http://album.sina.com.cn/pic/0024jHPsgy6VgQYyh2c7c
[0024jHPsgy6VgXqnrgM84]: /images/20220606/aaf2358fa1ea4fafaf669ad1777a54c0.png
[0024jHPsgy6VgXqnrgM84 1]: http://photo.blog.sina.com.cn/showpic.html#blogid=&url=http://album.sina.com.cn/pic/0024jHPsgy6VgXqnrgM84
[0024jHPsgy6Vh30QYMY8c]: /images/20220606/2a93c0261ff142fea782c151ab7b2804.png
[0024jHPsgy6Vh30QYMY8c 1]: http://photo.blog.sina.com.cn/showpic.html#blogid=&url=http://album.sina.com.cn/pic/0024jHPsgy6Vh30QYMY8c
[0024jHPsgy6Vh4mjWb19b]: /images/20220606/da53c8952ea24f93af23d28a184d08b6.png
[0024jHPsgy6Vh4mjWb19b 1]: http://photo.blog.sina.com.cn/showpic.html#blogid=&url=http://album.sina.com.cn/pic/0024jHPsgy6Vh4mjWb19b
[0024jHPsgy6Vh4wTaJOc8]: /images/20220606/caebbb0c7c4c48f4a693d35cc0bdd874.png
[0024jHPsgy6Vh4wTaJOc8 1]: http://photo.blog.sina.com.cn/showpic.html#blogid=&url=http://album.sina.com.cn/pic/0024jHPsgy6Vh4wTaJOc8
[0024jHPsgy6Vh5ZoqQJ5d]: /images/20220606/e13e0eb6c9104486a48ee76b76304965.png
[0024jHPsgy6Vh5ZoqQJ5d 1]: http://photo.blog.sina.com.cn/showpic.html#blogid=&url=http://album.sina.com.cn/pic/0024jHPsgy6Vh5ZoqQJ5d