logo
Loading...

LASSO&Ridge - Cupoy

請問有沒有哪個資料集可以讓LASSO&Ridge的表現比直接做Linear regression的表...

ml100-2,ml100-2-d40,lasso&ridge

LASSO&Ridge

2019/06/19 上午 00:30
機器學習共學討論版
辛普恩
觀看數:33
回答數:4
收藏數:1
ml100-2
ml100-2-d40
lasso&ridge

請問有沒有哪個資料集可以讓LASSO&Ridge的表現比直接做Linear regression的表現好?範例跟作業的兩個資料集都看不出LASSO&Ridge在實際例子的優點

回答列表

  • 2019/06/20 上午 02:00
    Benjamin Chai
    贊同數:0
    不贊同數:0
    留言數:0

    分享一下,我做期中考的時候因為做的feature overfit的很嚴重,做regularization後提昇的效果很明顯,所以我覺得重點是選用的特徵組合如果容易overfit的話就會容易看出差別。

  • 2019/06/21 上午 11:34
    Jimmy
    贊同數:1
    不贊同數:0
    留言數:0

    Hi 辛普恩!


    感謝 Benjamin Chai 的分享,就像同學所說的,這兩個模型本來就是不希望過擬合而衍生出來的模型,因此只要能夠找到特別容易過擬合的資料集 (資料噪音多),應該就會看到你想要的效果囉!

  • 2019/07/02 上午 11:57
    張維元 (WeiYuan)
    贊同數:0
    不贊同數:0
    留言數:0

    LASSO&Ridge 都是屬於 Normalization(模型正規化)的一種方式,概念是在原本的模型中加上懲罰項,讓模型能夠比較平滑,達到避免 Overfitting 的效果。你可以挑選高維度的 Linear regression 來做比較,比較可以看出差異。

  • 2019/07/05 上午 01:35
    Seanyu.TW
    贊同數:1
    不贊同數:0
    留言數:0

    Lasso 跟 Ridge 是屬於 regularization 唷,它是對 cost 做懲罰目的是希望把 weights 壓小,跟 normalization 的目的不同 (對輸入/輸出標準化),希望大家別搞混囉。而目前在機器學習模型的使用頻率上, L1/L2 還是頗高,而除了輸入外,沒有太多手段介入演算法;反而在深度學習中,normalization 的手法會比較多,效果也比較明顯。