机器学习系列——线性回归（四）MAP与正则化的关系

1、L2正则化

• 由最小二乘法得到的损失函数为

• 对于 L2 正则化，损失函数为

2、线性回归的极大后验估计（MAP）

• 假设
  • 映射函数为 f(w)=w^Tx
  • 真实标签与预测值之间的关系为：y=f(w)+ε=w^Tx+ε
  • 其中 ε~N(0,σ²)
  • 权重参数 w~N(0,σ₀²)
  • 后验概率 p(w|y)=p(y|w)p(w)/p(y)

• 计算 w 的极大后验估计值 
  • 由假设可得
    • 
    • 

    • 

  • 

         

3、如上式推导结果，可得

• w 的极大后验 MAP 的估计值为

• w 的最小二乘法 MLE 的 L2 正则化后的估计值为

• 由上可知，在对权重参数 w 作概率分布假设 w~N(0,σ₀²) 的前提下，w 的 MAP 的估计值与 MLE 的 L2 正则化后的估计值形式相同
• 即，MAP 相当于添加了 L2 正则化后的MLE

机器学习系列——线性回归（四）MAP与正则化的关系

原文：https://www.cnblogs.com/snailt/p/12760409.html