การทำให้เป็นมาตรฐาน (L1, L2)

การทำให้เป็นมาตรฐาน (L1, L2) เป็นแนวคิดที่สำคัญในด้านการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ที่อธิบายกระบวนการในการแนะนำข้อมูลเพิ่มเติมและข้อจำกัดในแบบจำลองการเรียนรู้ของเครื่อง เพื่อลดความซับซ้อนของแบบจำลองและปรับปรุงลักษณะทั่วไปของ แบบจำลองข้อมูลที่มองไม่เห็น

การทำให้เป็นมาตรฐานตามชื่อที่แนะนำ เกี่ยวข้องกับการเพิ่มค่าสัมประสิทธิ์ "แบบปกติ" ให้กับโมเดลการเรียนรู้ของเครื่อง ซึ่งอาจมองว่าเป็นข้อจำกัดเกี่ยวกับจำนวนอิทธิพลที่พารามิเตอร์ที่กำหนดสามารถมีเหนือเอาท์พุตของโมเดลได้ การทำให้เป็นมาตรฐานสองประเภทที่ใช้กันมากที่สุดคือการทำให้เป็นมาตรฐาน L1 และ L2

การทำให้เป็นมาตรฐาน L1 หรือที่เรียกว่าการทำให้เป็นมาตรฐานแบบ Lasso ขึ้นอยู่กับผลรวมของค่าสัมบูรณ์ของสัมประสิทธิ์ของแบบจำลอง การทำให้เป็นมาตรฐานประเภทนี้จะท้าทายค่าสัมประสิทธิ์ของแบบจำลอง ซึ่งหมายความว่าสามารถลดลงเหลือศูนย์ได้ ซึ่งอาจส่งผลให้แบบจำลองเรียบง่ายขึ้นและรอบคอบมากขึ้น

การทำให้เป็นมาตรฐาน L2 หรือที่เรียกว่าการทำให้เป็นมาตรฐานแบบ Ridge นั้นใช้แนวทางที่แตกต่างกัน โดยขึ้นอยู่กับผลรวมของสัมประสิทธิ์กำลังสองของแบบจำลอง ด้วยการเพิ่มการลงโทษลงในค่าสัมประสิทธิ์กำลังสอง โมเดลจะถูกบังคับให้รักษาค่าสัมประสิทธิ์ให้เล็กและใกล้เคียงกับศูนย์ ซึ่งส่งผลให้ได้โมเดลที่เรียบง่ายและรอบคอบมากขึ้น

การทำให้เป็นมาตรฐานเป็นสิ่งสำคัญเนื่องจากช่วยให้เราลดความซับซ้อนของแบบจำลองได้โดยไม่สูญเสียความแม่นยำเมื่อนำเสนอด้วยข้อมูลที่มองไม่เห็น นอกจากนี้ ยังช่วยลดความเสี่ยงในการติดตั้งมากเกินไป ซึ่งก็คือเมื่อแบบจำลองมีความซับซ้อนเกินไป และไม่สามารถสรุปได้ดีกว่าข้อมูลการฝึกที่ได้รับ

โดยรวมแล้ว การทำให้เป็นมาตรฐานเป็นเครื่องมือที่ทรงพลังที่สามารถช่วยสร้างโมเดลที่สามารถนำไปใช้ทั่วไปได้มากขึ้นสำหรับการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ เป็นองค์ประกอบสำคัญเมื่อทำงานกับโมเดลที่ซับซ้อน และใช้ในโซลูชันแมชชีนเลิร์นนิงที่ล้ำสมัยมากมาย