L2säännöllistämisellä

L2-säännöllistämisellä tarkoitetaan koneoppimisessa käytettävää tekniikkaa, joka pyrkii estämään mallin ylisopeutumista eli overfittingiä. Se on yksi yleisimmistä säännöllistämismenetelmistä, ja se perustuu mallin painokertoimien suuruuden rajoittamiseen. L2-säännöllistämisessä lisätään mallin kustannusfunktioon termi, joka on verrannollinen painokertoimien neliöiden summaan. Tämä termi tunnetaan myös L2-normina tai Ridge-regressio termi.

Kun kustannusfunktiota minimoidaan harjoitusdatalla, malli pyrkii samanaikaisesti minimoimaan ennustusvirheen ja pitämään painokertoimet pieninä. Pienemmät painokertoimet tekevät mallista vähemmän herkän yksittäisille datapisteille ja auttavat siten yleistämään paremmin uuteen, näkemättömään dataan. L2-säännöllistämisellä ei ole taipumusta nollata painokertoimia kokonaan, toisin kuin L1-säännöllistämisellä, vaan se pienentää niitä asteittain.

Säännöllistämisparametrin, jota usein merkitään lambdalla (λ), arvo määrittää, kuinka voimakkaasti säännöllistämistermi vaikuttaa kustannusfunktioon. Suurempi λ-arvo johtaa pienempiin painokertoimiin ja vahvempaan säännöllistämiseen, kun taas pienempi λ-arvo vähentää säännöllistämisen vaikutusta. Oikean säännöllistämisparametrin valinta on tärkeää ja se tehdään yleensä ristiinvalidointimenetelmillä. L2-säännöllistämistä käytetään laajalti lineaarisissa malleissa, logistisessa regressiossa ja neuroverkoissa.