regularisointimenetelmin
Regularisointimenetelmät tarkoittavat tilastotieteessä ja koneoppimisessa käytettyjä keinoja estää ylikoulutusta ja parantaa mallin yleistettävyyttä lisäämällä sekä matemaattista rajoitusta että priorisointia mallin parametreille. Niiden tavoitteena on hallita mallin monimutkaisuutta ja vähentää suureen koulutusvirheen lisäksi saavutettua vaihtelua ennusteissa uusilla aineistoilla.
Yleisimmät menetelmät jakautuvat usein L2- ja L1-tyyppeihin sekä näiden yhdistelmiin. L2-regularisoinnissa lisätään kustannusfunktioon termi, joka pienentää
Sovellukset kattavat lineaariset mallit, logistisen regression, regressioanalyysit sekä monimutkaisemmat verkot ja kernel-menetelmät. Regularisointi voi periaatteessa toimia
Historiallisesti regularisointia kehitettiin 1960–luvulla Tikhonovin ja ridge-regressionin sekä myöhemmin lasso- ja elastic net -menetelmien avulla. Yleistyminen