Regularisasi (L1, L2) adalah konsep penting dalam bidang pembelajaran mesin dan kecerdasan buatan yang menggambarkan proses memasukkan informasi tambahan dan batasan ke dalam model pembelajaran mesin, untuk mengurangi kompleksitas model dan meningkatkan generalisasi model. model ke data yang tidak terlihat.
Regularisasi, seperti namanya, melibatkan penambahan koefisien yang “diatur” ke model pembelajaran mesin, yang dapat dianggap sebagai batasan seberapa besar pengaruh parameter tertentu terhadap keluaran model. Dua jenis regularisasi yang paling umum digunakan adalah regularisasi L1 dan L2.
Regularisasi L1, juga dikenal sebagai regularisasi Lasso, didasarkan pada jumlah nilai absolut dari koefisien model. Jenis regularisasi ini menantang koefisien model, artinya koefisien tersebut dapat dikurangi hingga nol, sehingga menghasilkan model yang lebih sederhana dan pelit.
Regularisasi L2, juga dikenal sebagai regularisasi Ridge, didasarkan pada pendekatan yang berbeda: ini didasarkan pada jumlah koefisien kuadrat model. Dengan menambahkan penalti pada koefisien kuadrat, model dipaksa untuk menjaga koefisien tetap kecil dan mendekati nol, sehingga menghasilkan model yang lebih sederhana dan pelit.
Regularisasi penting karena memungkinkan kita mengurangi kompleksitas model tanpa mengorbankan akurasi saat menyajikan data yang tidak terlihat. Selain itu, hal ini membantu mengurangi risiko overfitting, yaitu ketika model menjadi terlalu kompleks dan tidak dapat menggeneralisasi lebih jauh dari data pelatihan yang diberikan.
Secara keseluruhan, regularisasi adalah alat yang ampuh yang dapat membantu menciptakan model pembelajaran mesin dan kecerdasan buatan yang lebih dapat digeneralisasikan. Ini adalah elemen penting ketika bekerja dengan model yang kompleks dan digunakan dalam banyak solusi pembelajaran mesin yang canggih.
