文档摘要

5.2 正则化：给过拟合上保险 本节摘要：正则化是在损失函数里加一道"惩罚"，让它不敢把训练集死记硬背。本节从"拟合过头"的现象讲起，分布 L1/L2 的区别与效果，再讲 Dropout 的随机放活原理，最后给出"什么时候该加"的决策判据。 上一节给车装了变速器，这节装保险杠。车辆的保险杠不参与引擎动力，但在碰撞时保护车身。正则化也类似：它不直接参与降低损失，但在模型"过于拟合训练集"时拉住它，给它一个"不要过于自信"的惩罚。 会员。《5.2 正则化：给过拟合上保险》收录于灏天文库文集《神经网络优化技巧：激活函数、损失函数、优化器选择》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/499-%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E4%BC%98%E5%8C%96%E6%8A%80%E5%B7%A7%E6%BF%80%E6%B4%BB%E5%87%BD%E6%95%B0%E6%8D%9F%E5%A4%B1%E5%87%BD%E6%95%B0%E4%BC%98%E5%8C%96%E5%99%A8%E9%80%89%E6%8B%A9

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流