ব্যবহারিক দৃষ্টিকোণ থেকে, L1 সহগকে শূন্যে সঙ্কুচিত করে যেখানে L2 সমানভাবে সহগকে সঙ্কুচিত করে। L1 তাই বৈশিষ্ট্য নির্বাচনের জন্য উপযোগী, কারণ আমরা সহগগুলির সাথে যুক্ত যেকোন ভেরিয়েবল শূন্যে ফেলে দিতে পারি। অন্যদিকে, L2 উপযোগী যখন আপনার সমনক্ষত্র/সহনির্ভর বৈশিষ্ট্য থাকে।
নিয়মিতকরণের ব্যবহার কী L1 এবং L2 নিয়মিতকরণ কী?
L1 রেগুলারাইজেশন মডেলের বৈশিষ্ট্য এর জন্য 0 থেকে 1 পর্যন্ত বাইনারি ওজনে আউটপুট দেয় এবং একটি বিশাল ডাইমেনশনাল ডেটাসেটে বৈশিষ্ট্যের সংখ্যা কমানোর জন্য গৃহীত হয়। L2 নিয়মিতকরণ সমস্ত ওজনে ত্রুটির শর্তাবলী ছড়িয়ে দেয় যা আরও সঠিক কাস্টমাইজড চূড়ান্ত মডেলের দিকে নিয়ে যায়।
L1 এবং L2 নিয়মিতকরণের মধ্যে পার্থক্য কী?
L1 এবং L2 নিয়মিতকরণের মধ্যে প্রধান স্বজ্ঞাত পার্থক্য হল যে L1 নিয়মিতকরণ ডেটার মধ্যম অনুমান করার চেষ্টা করে যেখানে L2 নিয়মিতকরণ অতিরিক্ত ফিটিং এড়াতে ডেটার গড় অনুমান করার চেষ্টা করে… সেই মানটি গাণিতিকভাবে ডেটা বিতরণের মধ্যমাও হবে৷
গভীর শিক্ষায় L1 এবং L2 নিয়মিতকরণ কি?
L2 নিয়মিতকরণকে ওজন ক্ষয় বলা হয় কারণ এটি ওজনকে শূন্যের দিকে ক্ষয় করতে বাধ্য করে (কিন্তু ঠিক শূন্য নয়)। L1-এ, আমাদের আছে: এতে, আমরা ওজনের পরম মানকে শাস্তি দিই। L2 এর বিপরীতে, এখানে ওজন শূন্যে কমে যেতে পারে। অতএব, আমরা যখন সংকুচিত করার চেষ্টা করি তখন এটি খুব দরকারীআমাদের মডেল।
L1 এবং L2 নিয়মিতকরণ কিভাবে কাজ করে?
একটি রিগ্রেশন মডেল যা L1 নিয়মিতকরণ কৌশল ব্যবহার করে তাকে ল্যাসো রিগ্রেশন বলা হয় এবং যে মডেলটি L2 ব্যবহার করে তাকে রিজ রিগ্রেশন বলা হয়। এই দুটির মধ্যে মূল পার্থক্য হল শাস্তির মেয়াদ। রিজ রিগ্রেশন লস ফাংশনে পেনাল্টি টার্ম হিসাবে গুণাঙ্কের "বর্গীয় মাত্রা" যোগ করে।
