machine-learning - 为什么偏向项在岭回归中不规则化？

在大多数分类(例如逻辑/线性回归)中，偏差项在进行正则化时会被忽略。如果不对偏差项进行正则化，将会得到更好的分类吗？

最佳答案

例子:

Y = aX + b

正则化基于这样的想法，即对Y的过度拟合是由a的“过分具体化”引起的，可以这么说，这通常通过a元素的较大值来体现。b仅抵消了这种关系，因此它的规模对于此问题而言远没有那么重要。此外，如果出于任何原因需要大的偏移量，则对其进行正则化将阻止找到正确的关系。
因此答案就在于此:在Y = aX + b中，将a与解释性/独立变量相乘，然后在其中添加b。

关于machine-learning - 为什么偏向项在岭回归中不规则化？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/12578336/