神经网络基础-神经网络补充概念-37-其他正则化方法

概念

L1 正则化（Lasso Regularization）：L1 正则化通过在损失函数中添加参数的绝对值之和作为惩罚项，促使部分参数变为零，实现特征选择。适用于稀疏性特征选择问题。

L2 正则化（Ridge Regularization）：L2 正则化通过在损失函数中添加参数的平方和作为惩罚项，使得参数值保持较小。适用于减小参数大小，减轻参数之间的相关性。

弹性网络正则化（Elastic Net Regularization）：弹性网络是 L1 正则化和 L2 正则化的结合，综合了两者的优势。适用于同时进行特征选择和参数限制。

数据增强（Data Augmentation）：数据增强是通过对训练数据进行随机变换来扩展数据集，以提供更多的样本。这有助于模型更好地泛化到不同的数据变化。

早停（Early Stopping）：早停是一种简单的正则化方法，它通过在训练过程中监控验证集上的性能，并在性能不再改善时停止训练，从而避免模型过拟合训练数据。

批标准化（Batch Normalization）：批标准化是一种在每个小批次数据上进行标准化的技术，有助于稳定网络的训练，减少内部协变量偏移，也可以视为一种正则化方法。

权重衰减（Weight Decay）：权重衰减是在损失函数中添加参数的权重平方和或权重绝对值之和，以限制参数的大小。

DropConnect：类似于 Dropout，DropConnect 随机地将神经元与其输入连接断开，而不是将神经元的输出置为零。

代码实现

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler# 加载数据
data = load_iris()
X = data.data
y = data.target# 数据预处理
scaler = StandardScaler()
X = scaler.fit_transform(X)
y = keras.utils.to_categorical(y, num_classes=3)# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 定义模型
def build_model(regularization=None):model = keras.Sequential([layers.Input(shape=(X_train.shape[1],)),layers.Dense(64, activation='relu', kernel_regularizer=regularization),layers.Dense(32, activation='relu', kernel_regularizer=regularization),layers.Dense(3, activation='softmax')])return model# L1 正则化
model_l1 = build_model(keras.regularizers.l1(0.01))
model_l1.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model_l1.fit(X_train, y_train, epochs=50, batch_size=8, validation_split=0.1)# L2 正则化
model_l2 = build_model(keras.regularizers.l2(0.01))
model_l2.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model_l2.fit(X_train, y_train, epochs=50, batch_size=8, validation_split=0.1)# 弹性网络正则化
model_elastic = build_model(keras.regularizers.l1_l2(l1=0.01, l2=0.01))
model_elastic.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model_elastic.fit(X_train, y_train, epochs=50, batch_size=8, validation_split=0.1)# 早停（Early Stopping）
early_stopping = keras.callbacks.EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True)
model_early = build_model()
model_early.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model_early.fit(X_train, y_train, epochs=100, batch_size=8, validation_split=0.1, callbacks=[early_stopping])# 评估模型
print("L1 Regularization:")
model_l1.evaluate(X_test, y_test)print("L2 Regularization:")
model_l2.evaluate(X_test, y_test)print("Elastic Net Regularization:")
model_elastic.evaluate(X_test, y_test)print("Early Stopping:")
model_early.evaluate(X_test, y_test)