因在做文本分类，最近重新研究了下Regularization term也就是规则项（正则项）的一些应用，与在实际工业相关的结合，搞了篇综述，方便以后回顾一下。

机器学习中，认为有监督的机器学习简单来说就是在规则化参数的同时，使得误差最小化。其中规则化参数目的为了防止模型过拟合，而最小化误差的目的在于让模型拟合成我们需要的训练数据。

然而在真实数据中，当参数更多时，模型复杂度增高，数据变容易出现过拟合的情况。过拟合很简单的解释就是训练样本的误差很小，而测试样本误差较大。因此我们训练模型的目的是保证模型“简单”基础上最小化误差，使得模型具有良好的泛化能力，而使得模型变得简单，就是通过规则化实现的。

以模型一般化为例：

其中为了衡量预测输出与真实输出之间的误差，我们拟合函数要求loss function项最少，而后半部分为了防止过拟合，并且使得模型更为简单。

前半部分loss function一般来说当为square loss时采用最小二乘法求解，当为Hinge loss时可看做svm模型，当为exp-loss时可以当做boosting模型，当为log-loss时可当做logistic模型。

规则项的作用可以简单整理成两大方面：

1，同上文叙述为了使得模型变得简单，

2，约束模型的特征，将人的先验知识融入的模型中，强行让模型具有一系列功能，比如洗属性，平滑，变量选择一致性等等等。

规则化符合奥卡姆剃刀原理，也与loss function加入规则化的初衷相似。

规则项的选择

规则化函数的选择一般为模型复杂的单调递增函数，模型越复杂，规则化的值就越大，比如规则化可以是模型参数向量的范数，一般对于参数“w”的约束不同，效果也不同。

采用模型参数向量的范数最直接反映了规则项的两大作用：简单，使其具有性质。

一般来说，规则项的选择聚集在零范数，一范数，二范数等等，一般paper采用了很多以L1,L2范数作为基准的研究（也就是一范数，二范数），在工业上L1，L2的应用也十分普遍，在硕士研究期间参与到新的规则项L1/2的研究中，L1/2在生物信息相关数据同样证明的自己独特的效果。

在读paper期间一直认为关于正则项的效果分类应该是在L0-L2期间，效果逐渐递减，也就是逼近L0时效果应该最好，其中为作为就基础的也就是L1，L2模型。后来一些E-Net，MCP，SCAD，Adaptive lasso等等方法都是基于L1，L2模型的改进，这些改进方法也一直很多学者在研究。

L1范数

先提L0范数，意思就是指向量中的非0的元素的个数，如果我们用L0范数规则化一个参数矩阵，我们是希望w的大部分元素都为0，也就是使其具有稀疏性。L1范数是指向量中的各个元素绝对值之和。

然后目前在大部分paper中，稀疏矩阵大量情况下都是通过L1规则化来实现。不采用L0的最主要原因就是L0规则化算子难以求得最优化求解，而L1范数是L0范数的最优凸近似，而且比L0更加容易求解。

L1方法的优点：
1）特征选择：
   一般来说，输入的大部分元素特征都是和最终输出Y时没有关系或者不提供任何信息的，在最小化目标函数的时候考虑输入的一些额外特征（全部特征），虽然可以获得更好的训练误差，但是在预测新样本时，这些没用的信息反而会被考虑，从而干扰了对正确输出的预测，稀疏规则化会去掉这些没有信息的特征，也就是把这些特征对应的权重置为0。

2）可解释性：
   也就是对于特征提取方面，以之前的研究为例，从10000个基因数据中（特征），选出500个特征，即认为这500个特征对于某些基因问题的重要性远大于其它基因特征。

L2范数：

L2范数是指向量个元素的平方和然后平方根，让L2范数的规则项最小，可以使得w的每个元素都很小，很接近于0但是与L1范数不同，它不会让它等于0而是接近与0，而越小的参数说明模型越简单。

L2范数优点：

1)从理论
L2可以防止过拟合，提升模型的泛化能力

2）从算法角度

L1/2规则项

研究生期间一直做这个研究，顾名思义模型与L1、L2类同。至于为什么在L0-L1之间选择L1/2作为代表，根据文献理论， L1/2规则项具有无偏性、稀疏性及Oracle等优良理论性质。给出一种重赋权迭代算法，将求解L_(1/2)正则子转化为一系列 L_1正则化子迭代求解。与经典的L0正则子相比，L1/2正则子更容易求解，而与当今流行的L1正则子相比，L1/2正则子产生更稀疏的解。

对于在生物方面的相关应用已经有多篇文章证明L1/2在实际中的应用可行，相比于之前的理论大大提升。应用的例子：

Application of L1/2 regularization logistic method in heart disease diagnosis. Bio-Medical Materials and Engineering, 24: 3447-3454, 2014.

L1/2的有点与L1类似，特别是在特征选择能力方面更强。

在实际工业化文本应用中，现实数据并没有实验数据的准确性，在“BOW模型+分类”的前提下，多次试验也无法证明变量选择能力强的归则化算子预测结果好，稳定性更强。更稀疏的解在“输入数据并不完美”的情况下，显示预测的准确率反而降低，数据清洗同样是重要研究课题。