Чаро дар моделҳо муқаррарот зарур аст?

Мошин омӯзиш моделларида регуляция overfitting-дан сақланиш учун зарур. У моделнинг мураккаблигини жазолайди, уни соддарақ қилади ва янги маълумотларда яхшироқ умумлашади.

Регуляциянинг асосий таъсирлари:

• Моделнинг коэффициентларининг ҳажмини камайтиради, кам аҳамиятли хусусиятларнинг таъсирини қисқартириб.
• Ўқитиш маълумотларига жуда мослашишдан сақланишга ёрдам беради, тест маълумотларида сифатни оширади.

Мўлжаларида машҳур регуляция усуллари:

• L1 регуляция (Lasso) — коэффициентларнинг абсолют қийматларининг жамланмасини йўқотиш функциясига қўшади, моделни сирдар қилади.
• L2 регуляция (Ridge) — коэффициентларнинг квадратларининг жамланмасини қўшади, вазнларни юмшаклаштиради.

Pythonда L2 регуляцияси билан тўғрилиши линей регрессия мисоли:

from sklearn.linear_model import Ridge

model = Ridge(alpha=1.0)  # alpha — регуляция коэффициенти
model.fit(X_train, y_train)