スパース性の正則化: プレイグラウンドの演習
コレクションでコンテンツを整理
必要に応じて、コンテンツの保存と分類を行います。
L1 正則化の調査
この演習には、わずかにノイズの多い小さなトレーニング データセットが含まれています。このような設定では、過学習が大きな問題となります。正則化が役立つかもしれませんが、その正則化はどのような形のものでしょうか。
この演習は、関連する 5 つのタスクで構成されています。5 つのタスクを簡単に比較できるように、各タスクを個別のタブで実行してください。
「特徴量」と「出力」を結ぶ線の太さは、各特徴量の相対的な重みを表しています。
タスク | 正則化の種類 | 正則化率(ラムダ) |
1 | L2 | 0.1 |
2 | レベル2 | 0.3 |
3 | レベル1 | 0.1 |
4 | レベル1 | 0.3 |
5 | レベル1 | experiment |
質問:
-
L2 正則化から L1 正則化に切り替えると、テスト損失とトレーニング損失の差にどのような影響がありますか?
-
L2 から L1 に正則化を切り替えると、学習した重みにどのような影響がありますか。
-
L1 正則化率(ラムダ)を増やすと、学習した重みにどのような影響がありますか。
(解答は演習のすぐ下に表示されます)。
プラスアイコンをクリックすると、回答を確認できます。
-
L2 正則化から L1 正則化に切り替えると、テスト損失とトレーニング損失の差が大幅に削減されます。
-
L2 から L1 正則化に切り替えると、学習したすべての重みが減衰します。
-
通常、L1 正則化率を上げると、学習した重みが減ります。ただし、正則化率が高すぎると収束せず、損失が非常に大きくなります。
特に記載のない限り、このページのコンテンツはクリエイティブ・コモンズの表示 4.0 ライセンスにより使用許諾されます。コードサンプルは Apache 2.0 ライセンスにより使用許諾されます。詳しくは、Google Developers サイトのポリシーをご覧ください。Java は Oracle および関連会社の登録商標です。
最終更新日 2023-12-02 UTC。
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"必要な情報がない"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"複雑すぎる / 手順が多すぎる"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"最新ではない"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"翻訳に関する問題"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"サンプル / コードに問題がある"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"その他"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"わかりやすい"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"問題の解決に役立った"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"その他"
}]