摘要：1.均方误差MSE（Mean Square Error）： 2.均方根误差RMSE（Root Mean Squared Error）：均方根误差RMSE很好的解决了量纲的问题。 3.平均绝对误差MAE（Mean Absolute Error）： 阅读全文

摘要：1.为什么要进行正则化？ 机器学习中，如果参数过多，模型会变得复杂，易overfit，即模型在训练样本数据上表现的很好，但在实际测试样本上表现的较差，不具备良好的泛化能力。为了避免过拟合，最常用的一种方法就是使用正则化，从而限制模型参数更多/更大，避免模型的复杂。 2.L1正则化：在原损失函数的基础 阅读全文