如何计算L1和L2正则化的损失，其中w是Python中线性模型的权重向量？
正则化器应计算损失而不考虑权重中的偏差项
def l1_reg(w):
# TO-DO: Add your code here
return None
def l2_reg(w):
# TO-DO: Add your code here
return None
最佳答案
为什么要使用正则化
在训练模型时，您希望获得尽可能高的准确性。因此，请选择所有相关特征[列
数据元素，向量），但是如果数据集不够大而行数较少，则会导致过度拟合。过度拟合的情况下，模型的性能在训练数据中很好，但在测试数据中却失败了（例如，如果您可以解决已经解决的问题，以前解决过，但由于您过分思考[不一样但很相似]而无法解决类似问题，因此这里使用正则化来解决此问题。
正则化
让我们首先解释一下正则化之后的逻辑术语。
规范添加信息的过程
[您可以想像在给您另一个问题之前，我会在第一个问题上添加更多信息，您已对其进行了分类，因此，如果发现类似问题，您就不会考虑太多]。
此图显示了过拟合模型和精确模型。
L1和L2是添加到模型方程式中的信息的类型
L1正则化
在L1中，将信息添加到模型方程中，以使其为theta向量（θ）的绝对总和乘以正则化参数（λ），该正则化参数可以是数据大小（m）上的任意大数，其中（n）是要素数量
L2正则化
在L1中，您可以向模型方程中添加信息，以向量（θ）的平方乘以正则化参数（λ）的乘积，正则化参数可以是数据大小（m）上的任意大数，其中（n）是特征数。
如果使用正态方程
然后L2正则化将是（n + 1）x（n + 1）对角矩阵，其左上角为零，其他对角线项下为1，乘以正则化参数（λ）。
关于python - 计算L1和L2正则化的损失，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/58905671/