Ինչու է մոդելներում ռեգուլյարիզացիան անհրաժեշտ?

Մեքենայական ուսուցման մոդելներում կարգավորումը անհրաժեշտ է overfitting- ի կանխարգելման համար: Այն ավելացնում է մոդելի բարդության համար պատիժ, դարձնելով այն պարզ և ավելի լավ ընդհանուր է նոր տվյալների վրա:

Կարգավորման հիմնական ազդեցությունները՝

• Կրճատում է մոդելի կոեֆիցիենտների չափը, նվազեցնելով ոչ այնքան կարևոր հատկանիշների ազդեցությունը:
• Օգնում է խուսափել չափազանց ճշգրիտ հարմարեցումից ուսուցման տվյալներին, բարելավելով թեստային տվյալների որակը:

Հայտնի կարգավորումների մեթոդների օրինակներ՝

• L1 կարգավորում (Lasso) — ավելացնում է կոեֆիցիենտների մաքուր արժեքների գումարը կորուստային ֆունկցիային, խթանում է sparse մոդելները:
• L2 կարգավորում (Ridge) — ավելացնում է կոեֆիցիենտների քառակուսիների գումարը, հարթեցնում է քաշերը:

Python-ում L2 կարգավորումը օգտագործելով գծային ռեգրեսիայի օրինակ՝

from sklearn.linear_model import Ridge

մոդել = Ridge(alpha=1.0)  # alpha — կարգավորող գործակից
մոդել.fit(X_train, y_train)