Modellərdə nizamlamanın məqsədi nədir?

Maşın öyrənmə modellərində tənzimləmə (regularization) overfitting-in qarşısını almaq üçün vacibdir. Bu, modelin mürəkkəbliyinə cəza əlavə edir, onu daha sadə edir və yeni məlumatlarda daha yaxşı ümumiləşdirməyə imkan verir.

Tənzimləmənin əsas təsirləri:

• Modelin koeffisiyentlərinin böyüklüyünü azaldır, daha az əhəmiyyətli xüsusiyyətlərin təsirini azaldır.
• Çox dəqiq uyğunlaşmanın qarşısını alır, bu da test məlumatlarında keyfiyyəti artırır.

Populyar tənzimləmə metodlarına nümunələr:

• L1-tənzimləmə (Lasso) — koeffisiyentlərin müsbət və mənfi qiymətlərinin cəməsini itki funksiyasına əlavə edir, modelin səpələnməsini təşviq edir.
• L2-tənzimləmə (Ridge) — koeffisiyentlərin kvadratlarının cəməsini əlavə edir, çəkiləri yumşaldır.

Python-da L2-tənzimləmə ilə xətti regresiya nümunəsi:

from sklearn.linear_model import Ridge

model = Ridge(alpha=1.0)  # alpha — tənzimləmə koeffisiyenti
model.fit(X_train, y_train)