(→개요) |
(→예시) |
||
| 13번째 줄: | 13번째 줄: | ||
* [[L₂ 정칙화]] - 가중치 제곱합(2승)에 따라 페널티 적용 | * [[L₂ 정칙화]] - 가중치 제곱합(2승)에 따라 페널티 적용 | ||
* [[드롭아웃 정칙화]] | * [[드롭아웃 정칙화]] | ||
* [[조기 중단]]<ref> | * [[조기 중단]]<ref>정식으로 인정되는 정칙화 방식은 아니지만, 과적합을 효과적으로 제한할 수 있다.</ref> | ||
==같이 보기== | ==같이 보기== | ||
2021년 5월 30일 (일) 00:46 판
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
3 같이 보기
- 정칙
- 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"- ↑ 정식으로 인정되는 정칙화 방식은 아니지만, 과적합을 효과적으로 제한할 수 있다.
로그인하시면 댓글을 쓸 수 있습니다.
{{ comment.name }}
{{ comment.created | snstime }}
-
{{comment.page_title}} ―{{comment.name}}