各种向量和矩阵的范数的意义-1.ppt

  1. 1、本文档共45页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
[信息安全基础0密码编码学与网络安全[信息安全基础0密码编码学与网络安全[信息安全基础0密码编码学与网络安全

向量和矩阵的范数 马玉玲 2017年03月08日 1 Outline 1.相关概念——学习、误差和目标函数 2.范数概念 3.向量的范数及含义 4.矩阵的范数及含义 2 Outline 1.相关概念——学习、误差和目标函数 2.范数概念 3.向量的范数及含义 4.矩阵的范数及含义 3 Basis knowledge 相关概念——学习 A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E. 4 利用经验,改善执行某任务时的系统性能。 Basis knowledge 相关概念——学习 5 Basis knowledge 相关概念——学习 6 Basis knowledge 相关概念——学习 备注:表来自周老师西瓜书课件 7 Basis knowledge 相关概念——学习 函数y=f(x) 备注:本页ppt来自周老师西瓜书课件 8 Basis knowledge 相关概念——学习 线性模型y=wTx+b 备注:表来自周老师西瓜书课件 x(1) x(2) x(3) 插 值 法 9 Basis knowledge 相关概念——学习 备注:表来自周老师西瓜书课件 10 Basis knowledge Empirical error: Generalization error: Error parameter: Predict wrongly I(a): 1 if a=true 0 else 相关概念——误差 假定数据集D The value of ε is dependant on the task 11 相关概念——目标函数  一般来说,监督学习可以看做最小化下面的目标函数: 误差项 正则化项 正则化项可以约束模型的特性。这样就可以将人对这个模型的先验知识融入到模型的学习当中。 范数是正则化的常用方法 12 Outline 1.相关概念——误差和目标函数 2.范数概念 3.向量的范数及含义 4.矩阵的范数及含义 13 范数的概念 范数的目的:对向量及矩阵的“大小”进行度量 14 向量的范数 X∈Rn 为一实向量,X的范式定义如下: L1-norm L2-norm L∞-norm L0范数:指向量中非0的元素的个数 X=[-1 2 -2 ] ||X||0= 3 ||X||1= 5 ||X||∞= 2 ||X||2= 3 15 范数的含义 L0范数:指向量中非0的元素的个数 最小化L0范数 数据稀疏的好处: 存储成本低 2. 自动实现特征选择(Feature Selection) 3. 可解释性强(Interpretability) 应用:病因分析 但是,L0范数很难优化求解,是一个NP-Hard问题。 稀疏 16 范数的含义 L1范数: L1范数是L0范数的最优凸近似,而且它比L0范数要容易优化求解。所以L1范数被称为“稀疏规则算子”(Lasso ) taxicab Norm,也叫Manhattan Norm 稀疏编码 特征选择 压缩感知 17 范数的含义( 续…) L2范数:又称“岭回归”(Ridge Regression),“权值衰减(weight decay)”, Euclidean Norm 最小化L2范数,可以使得X的元素值都很小,大都接近于0 18 范数的含义(L2-norm) L2范数的好处: 1.改善“过拟合(overfitting)” 欠拟合underfitting :训练集上误差很大,即模型不能很好地拟合已有数据; 关于“过拟合”: 在数学上称为“病态”(ill-condition):即函数的输入改变一点点,输出却改变非常大。 过拟合(overfitting) :模型很好地拟合训练数据,然而在新样本上表现却很差。 L2范数限制了参数都很小,实际上就限制了多项式各分量的影响很小,一定程度上避免了模型出现“病态”的情况。 2.利于优化 19 范数的含义(L2-norm) L2范数的好处: 1.改善“过拟合(overfitting)” 2.利于优化 机器学习中有时候损失函数是非凸的,例如:神经网络。采用梯度下降之类的优化方法时,容易卡住(Stuck in),导致很差的解。 非凸的损失函数 加入L2范数后 20 知识扩展——稀疏性分析: 模型空间限制在w的一个L-ball 中。在(w1, w2)平面上可以画出目

文档评论(0)

wendan118 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档