iT邦幫忙

2019 iT 邦幫忙鐵人賽

DAY 18
0
AI & Data

跟著Google學ML系列 第 18

[Day 18] Regularization - Sparsity

  • 分享至 

  • xImage
  •  

Ref.: Regularization for Sparsity

Regularization在 Day 14時說過L_2 Regularization,再回想一下我們在Day 13 特徵組合的時候,有個很簡單的例子兩種gender、height 3個group,height_x_gneder就有2 * 3 = 6種組合。如果1,000 * 10,000呢?就有10,000,000這麼多種組合,之中又有多少是沒用的feature呢?這種高維度的特徵向量(high-dimensional feature vector)會讓model size很大,而且RAM也會消耗很多。

我們應該減少沒有用的feature,讓他們的weight = 0,以減少RAM的cost。很不巧L_2 Regularization實在沒辦法,只能讓weight變得很小很小,沒用的feature還是會浪費RAM的空間。

聽起來,Regularization term取non-zero的weight的數量,是不是可以讓weight=0的feature沒用?而且model有足夠能力fit data時增加它才合理。這稱作L_0 Regularization,但很可惜這個方法是NP-hard的問題,像是背包問題,很難優化。

還好還有個L_1 Regularization,跟L_0類似,很鼓勵沒訊息的係數設定為0,以減少記憶體使用量。快來比較一下L1 跟 L2吧

L1 vs L2

處罰項目的差異:

  • L2 處罰 weight^2
  • L1 處罰 |weight|

微分後的意義:

  • L2 微分是 2 * weight
  • L1 微分後是個常數k(跟weight沒關係)

L2的微分可以想像是刪除x% weight,但zeno芝諾悖論說這種remove x%的方法,永遠不會讓weight為0,只會很接近0

L1的微分則像是把weight減去某個常數,但因為絕對值得特性,它會在0的時候中斷下來,就是在此時把這個weight zeroed out。

文章下面的Play一定要按看看,可以看到L_1 真的會讓某些weight 停在0,而L_2會跨過去。
https://ithelp.ithome.com.tw/upload/images/20181018/20103835r7V15DwtO1.jpg

玩看看L1 L2 Playground

這個要注意的是在跑完每個Regularization後的每個weight,L2都不會是0,L1則很放心的讓weight為0

L1 result:
https://ithelp.ithome.com.tw/upload/images/20181018/20103835zWsBSFG5TZ.jpg

L2 result:
https://ithelp.ithome.com.tw/upload/images/20181018/20103835y5Rt8OPQW8.jpg

課後練習,看看你對L1, L2 regularization的理解:Check Your Understanding

好囉,今天的就到這邊,明天進入類神經網路了!!


上一篇
[Day 17] Classification(下)
下一篇
[Day 19] 神經網路Neural Networks介紹
系列文
跟著Google學ML30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言