Machine learning 为什么岭回归中的偏差项没有正则化？

在大多数分类（如逻辑/线性回归）中，在正则化时忽略偏差项。如果我们不规范偏差项，我们会得到更好的分类吗？

示例：

Y = aX + b

正则化基于这样一种思想，即

Y

上的过度拟合是由

a

过于“特定”造成的，可以说，这通常通过

a

元素的大值来体现

b

只是抵消了关系及其规模，因此对这个问题来说就不那么重要了。此外，如果出于任何原因需要较大的偏移量，将其正则化将阻止找到正确的关系

---

所以答案就在于：在

Y=aX+b

中，

a

乘以解释变量/自变量，

b

被添加到其中。

为什么称

X

为“解释变量”？有参考资料吗？谢谢，泰勒提督九门步军巡捕五营统领, 更常见的是，

X

被称为@Def_Os，不，在这个术语中，

X

是自变量，

Y

是从属变量（

Y

取决于

X

）。在回答@Tyler的问题时，链接文章提到“解释变量”是自变量的同义词。