機器學習中使用「正則化來防止過擬合」到底是乙個什麼原理？為什麼正則化項就可以防止過擬合？
這相當於是給模型引數w 新增了乙個協方差為1/alpha 的零均值高斯分布先驗。 對於alpha =0，也就是不新增正則化約束，則相當於引數的高斯先驗分布有著無窮大的協方差，那麼這個先驗約束則會非常弱，模型為了擬合所有的訓練資料，w可以變得任意大不穩定。alpha越大，表明先驗的高斯協方差越小，模型約穩定， 相對的variance也越小。 （via zhihu）
通俗來講，就是λ/
(2m)
ω(f)
是乙個與模型
f 有關的引數，如果不加此項，模型必定傾向於最小化損失函式j(
θ)，這麼一來就很可能發生overfitting。引入該項後，如果模型過於複雜，該項的次數(degree)也更高，引發的懲罰（penalization）值也更大，由此抑制了模型的過度複雜化，λ也被稱為懲罰因子。
λ過小，則對「防止過擬合」幾乎無影響。λ過大，則使損失函式前半部分的權重大大降低，試想如果λ接近無限大，最終的結果是所有的
θ 都接近0，因此需要選擇適當的λ。
自動化測試的意義
自動化測試要解決的問題主要有兩個 乙個是可以重複使用的測試用例 乙個是手工測試很難實現 或是手工成本很高 的測試用例。首先說一句，自動化測試不是神話，也不是必須的，需要手工的時候還是需要手工 實現不了自動化的就不實現，效果差的或未達預期的 需要跑多次的，還需要手工輔助和二次校驗的 那麼什麼情況下需要...
去中心化存在的意義
今天來談談去中心化到底在區塊鏈中由什麼作用和意思，因為說到區塊鏈，那麼就會想到去中心化，感覺已經是習以為常了，那麼就想說上那麼一說。那我先概括的講一下去中心化的意思 區中心化通過各個節點的執行保證區塊鏈的穩定，從而避免資料的丟失 篡改 惡意支付等一些問題。我們先想象這樣應用場景 位元幣式 資產轉移完...
特徵歸一化的意義
在機器學習領域中，不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到資料分析的結果，這個時候我們就需要進行資料標準化處理，原始資料經過資料標準化處理後，各指標處於同一數量級，適合進行綜合對比評價。其中，最典型的就是資料的歸一化處理。資料的歸一化處理，即將資料統一對映到 0,1 區間上。1 ...