回归中的截距和系数

时间:2016-07-29 09:51:11

标签: algorithm machine-learning regression

在回归模型中we don't penalize the intercept (Lasso and Ride)为何如此?什么是拦截意义。

为什么Over fitting model往往有大系数?

1 个答案:

答案 0 :(得分:0)

Ridge和LASSO分别相当于使用L1和L2正则化。正则化有助于减少差异并避免过度拟合。那么,你的问题等同于问,是否会惩罚拦截帮助规范模型并避免高度变化?对截距进行惩罚将使其抵抗变化,并将其保持在默认位置(可能为零或一些小的,随机初始化的值)。但是,没有理由认为这种随机初始化有任何意义。其他系数的正则化增加了模型的刚度,使得概念变得不那么灵活并且导致更少的曲折(更低的方差)。然而,将正则化应用于截距,只是拖动线与y轴向下交叉的点,移动几何体没有特别的好处。或者至少我是如何想象它的。希望有所帮助。