(→개요) |
(→예시) |
||
| (같은 사용자의 중간 판 4개는 보이지 않습니다) | |||
| 10번째 줄: | 10번째 줄: | ||
==예시== | ==예시== | ||
* [[ | * [[L1 정칙화]] - 가중치 절대값 합(1승)에 따라 페널티를 적용한다. ([[맨하탄 거리]]) | ||
* [[ | * [[L2 정칙화]] - 가중치 제곱합(2승)에 따라 페널티를 적용한다. ([[유클리드 거리]]) | ||
* [[드롭아웃 정칙화]] | * [[드롭아웃 정칙화]] | ||
* [[조기 중단]] | * [[조기 중단]] - 정식으로 인정되는 정칙화 방식은 아니지만, 과적합을 효과적으로 제한할 수 있다. | ||
==같이 보기== | ==같이 보기== | ||
{{z컬럼3| | {{z컬럼3| | ||
* [[정칙]] | * [[정칙]] | ||
* [[벌점화]] | |||
* [[불량조건문제]] | * [[불량조건문제]] | ||
* [[편향-분산 트레이드오프]](bias–variance tradeoff) | * [[편향-분산 트레이드오프]](bias–variance tradeoff) | ||
2024년 1월 26일 (금) 09:30 기준 최신판
1 개요[ | ]
- 모델의 복잡도에 페널티를 부여하는 일
- 과적합 방지를 위해 어떤 기준에 따라 벌점 정보를 추가하는 일
- 불량조건문제(ill-posed problem)를 풀거나 과적합을 방지하기 위해 정보를 추가하는 과정
- 역문제를 풀 때나 머신러닝에서 활용한다.
- 과적합을 방지하는 데 도움이 된다.
2 예시[ | ]
- L1 정칙화 - 가중치 절대값 합(1승)에 따라 페널티를 적용한다. (맨하탄 거리)
- L2 정칙화 - 가중치 제곱합(2승)에 따라 페널티를 적용한다. (유클리드 거리)
- 드롭아웃 정칙화
- 조기 중단 - 정식으로 인정되는 정칙화 방식은 아니지만, 과적합을 효과적으로 제한할 수 있다.
3 같이 보기[ | ]
- 정칙
- 벌점화
- 불량조건문제
- 편향-분산 트레이드오프(bias–variance tradeoff)
- Bayesian interpretation of kernel regularization
- 행렬 정칙화(matrix regularization)
- 티호노프 정칙화
- 정칙화율
- 정칙화 최소제곱(regularized least squares)
4 참고[ | ]
네이버백과 "정칙화"
로그인하시면 댓글을 쓸 수 있습니다.
{{ comment.name }}
{{ comment.created | snstime }}
-
{{comment.page_title}} ―{{comment.name}}