Regularização L2
L2 Regularização, also known as Ridge Regularization, is a method usada em aprendizado de máquina and statistics to prevent overfitting of models. Overfitting occurs when a model learns the noise in the dados de treinamento em vez do padrão subjacente, levando a um desempenho ruim em dados não vistos.
Na Regularização L2, um termo de penalidade é adicionado ao função de perda, which is the function used to measure how well the model’s predictions match the actual outcomes. Specifically, the penalty is proportional to the square of the magnitude of the coefficients (weights) of the model. This means that larger weights contribute more to the penalty, effectively discouraging the model from fitting the training data too closely.
O termo de Regularização L2 é matematicamente expresso como:
Penalty = λ * Σ(w_i²)
onde:
λ(lambda) is the regularization parameter that controls the strength of the penalty.w_irepresents each weight no modelo.
By adjusting the value of λ, practitioners can find a balance between fitting the training data well and keeping the model simple, which enhances its ability to generalize to novos dados.
No geral, a Regularização L2 ajuda a melhorando o desempenho do modelo ao reduzir o risco de overfitting, levando a previsões mais robustas.