Matlab 前馈神经网络的正则化 我刚刚在Coursera通过了Andrew Ng的一些网上公开课。在关于神经网络的讲座结束时，他解释了反胃，但恐怕我遗漏了一些东西。通过调节，成本函数的值计算如下：

J（θ）=-1/m*jValMain+lambda/（2*m）*JValReg

jValMain

是一组大于

y

的和，以及NN的输出。第二个组成部分

jValReg

是应用反流，看起来像这样：

jValReg=lambda/（2*m）*和（和）（和（θ（j）（i）（k）^2））

Theta

是一组权重，

m

是数据库中所有元素/案例的数量，然后是

lambda

。什么是lambda？它是标量、向量还是矩阵？我们如何通过lambda实施反腐？lambda是用来调节来自第lth层的特定第jth和第ith个重量，还是用来调节一个数字的所有重量。不知怎的，这让我很困惑。如果有人熟悉这个概念，我将不胜感激。

---

干杯

lambda

是估计中的正则化参数。可以将其视为控制估计偏差的一种手段。它是一个标量，通常用于防止数据的过度拟合。这里有几行摘自课程作业的笔记

。。。lambda的值可以显著影响训练集和交叉验证集上正则化多项式回归的结果。特别是，没有正则化的模型（lambda=0）很好地拟合了训练集，但不能推广。相反，具有过多正则化（lambda=100）的模型不适合训练集和测试集。一个好的lambda选择（例如，lambda=1）可以很好地拟合数据

---

lambda

是估计中的正则化参数。可以将其视为控制估计偏差的一种手段。它是一个标量，通常用于防止数据的过度拟合。这里有几行摘自课程作业的笔记

。。。lambda的值可以显著影响训练集和交叉验证集上正则化多项式回归的结果。特别是，没有正则化的模型（lambda=0）很好地拟合了训练集，但不能推广。相反，具有过多正则化（lambda=100）的模型不适合训练集和测试集。一个好的lambda选择（例如，lambda=1）可以很好地拟合数据