擅长:python、mysql、java
<p>从你提供的链接中</p>
<pre><code>if regression_type == 'LASSO':
# Declare Lasso loss function
# Lasso Loss = L2_Loss + heavyside_step,
# Where heavyside_step ~ 0 if A < constant, otherwise ~ 99
lasso_param = tf.constant(0.9)
heavyside_step = tf.truediv(1., tf.add(1., tf.exp(tf.multiply(-50., tf.subtract(A, lasso_param)))))
regularization_param = tf.multiply(heavyside_step, 99.)
loss = tf.add(tf.reduce_mean(tf.square(y_target - model_output)), regularization_param)
</code></pre>
<p>这个<code>heavyside_step</code>函数非常接近于logistic函数,而logistic函数又可以是阶跃函数的连续近似。你知道吗</p>
<p>使用连续近似是因为损失函数需要相对于模型的参数是可微的。你知道吗</p>
<p>要获得关于约束公式的直觉,请阅读<a href="https://www.cs.ubc.ca/~schmidtm/Documents/2005_Notes_Lasso.pdf" rel="nofollow noreferrer">https://www.cs.ubc.ca/~schmidtm/Documents/2005_Notes_Lasso.pdf</a>中的第1.6节</p>
<p>您可以在代码中看到,如果A<;0.9,则正则化参数消失,因此优化将在该范围内约束A。你知道吗</p>