为啥正则化强度负值不是正确的方法？

Posted 2023-03-12

【中文标题】为啥正则化强度负值不是正确的方法？

【英文标题】：Why Regularization strength negative value is not a right approach?为什么正则化强度负值不是正确的方法？

【发布时间】：2019-04-03 14:15:26

【问题描述】：

我有一个关于在添加正则化强度 λ 参数时训练您的模型的一般性问题，因为它会惩罚您的分数以防止过度拟合（据我从课堂和下面链接的 Tootone 答案中了解到）

所以我们需要尽可能地减小 λ，所以我们使用它的倒数

我的问题是>>为什么使用负值不是正确的方法？并且没有给出正确的预测

What is the inverse of regularization strength in Logistic Regression? How should it affect my code?

【参考方案1】：

当包含正则化参数时，您通常会修改成本函数以最小化

C(x) + λ * p(x)

其中 C(x) 是您的成本函数，p(x)>0 是惩罚。如果 λ奖励。