La régularisation est la pénalité pour la complexité d’un modèle. Elle aide à éviter le surapprentissage. Le sur-apprentissage nécessite une régularisation. Mettre certains coefficients à 0, c’est la régularisation L0 (peut utilisée). Dans un vecteur creux de grande dimension, il est judicieux de favoriser des pondérations exactement égales à 0 lorsque c’est possible. La régularisation L2 remplirait-elle […]
