概述
正则化是一组故意约束模型的技术，以便它可以推广到新数据而不是记住训练集。它是对抗过度拟合的主要工具包。
正则化位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
如果不加以控制，灵活的模型将自行扭曲以适应训练数据中的每个点，包括噪声。正则化通过添加有利于更简单解决方案的惩罚或约束来进行反击。最常见的形式是根据模型权重的大小向损失函数添加一项。 L2 正则化（权重衰减）平滑地惩罚大权重，将其缩小到零并生成更平滑的模型。 L1 正则化会惩罚权重的绝对值，并且可以将权重的绝对值一直驱至零，从而有效地选择特征子集。除了权重惩罚之外，dropout 在训练期间随机关闭神经元，提前停止在过度拟合之前停止训练，数据增强扩展了有效训练集。每个都牺牲一点训练准确性来换取更好的现实世界性能。
技术洞察
大多数正则化都会重塑优化器最小化的目标。您不是仅仅最小化预测误差，而是最小化误差加上 lambda 乘以权重惩罚，其中 lambda 控制强度。 L2加上权重的平方和，鼓励很多小的权重； L1 添加绝对权重的总和，鼓励精确零的稀疏性。 Dropout 的工作方式有所不同：通过将每一步的激活值随机归零，它可以防止神经元共同适应并近似训练子网络的集合。所有这些都以稍微增加偏差为代价来减少方差。
掌握正则化
正则化是一组故意约束模型的技术，以便它可以推广到新数据而不是记住训练集。它是对抗过度拟合的主要工具包。正则化位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将正则化视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用正则化的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
将 L2 权重衰减添加到深度图像分类器中，使其能够从数千张训练照片泛化到看不见的照片。
在基因组学模型中使用 L1 正则化可以自动从数千个基因中选择少数能够实际预测结果的基因。
在推荐网络中应用 dropout，使其不会过度依赖任何单个用户信号。
一旦验证损失停止改善，即使训练损失可能继续下降，也要尽早停止训练。
实施模式
实践中的正则化
将 L2 权重衰减添加到深度图像分类器中，使其能够从数千张训练照片泛化到看不见的照片。
将 L2 权重衰减添加到深度图像分类器中，使其能够从数千张训练照片推广到未见过的照片。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的正则化
在基因组学模型中使用 L1 正则化可以自动从数千个基因中选择少数能够实际预测结果的基因。
在基因组学模型中使用 L1 正则化，可以自动从数千个基因中选择少数几个能够实际预测结果的基因。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的正则化
在推荐网络中应用 dropout，使其不会过度依赖任何单个用户信号。
在推荐网络中应用 dropout，使其不会过度依赖任何单个用户信号。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的正则化
一旦验证损失停止改善，即使训练损失可能继续下降，也要尽早停止训练。
一旦验证损失停止改善，即使训练损失可能持续下降，也要尽早停止训练。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录正则化在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录正则化在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。