Практика Shadowing: Ridge vs Lasso Regression, Visualized!!! - Изучайте разговорный английский по видео

Выберите режим практики

Каждый режим открывает полноэкранную комнату практики.

86 предложений

Если предложения слишком короткие или длинные, нажмите Edit, чтобы их изменить.

Ridge, regression versus lasso regression, which one will survive?

StatQuest.

Hello, I'm Josh Starmer and welcome to StatQuest.

Today we're going to talk about ridge versus lasso regression and the differences are going to be visualized.

Note, this StatQuest assumes that you are already familiar with ridge and lasso regression.

If not, check out the quests.

To show you the difference between ridge and lasso regression, we're going to use a very simple data set that consists of weight and height measurements.

And we'll start by fitting this horizontal line to the data.

This horizontal line represents a terrible fit.

And we can measure how bad that fit is by calculating residuals, the difference between the observed and predicted values.

In order to compare the horizontal line to other lines fit to the data, we will plot the sum of the squared residuals on a graph.

The y-axis on this graph is the sum of the squared residuals,

and the x-axis represents different slope values for the fitted line.

In this case, the slope for the horizontal line is 0.

Now let's increase the slope to 0.2, and calculate a new value for the sum of the squared residuals.

Now let's increase the slope to 0.4, and calculate a new value for the sum of the squared residuals.

We can keep plugging in new values for the slope and plotting the sum of the squared residuals,

Or we can just plot the curve for this equation.

We can see that the best fitting line is at the bottom of the parabola.

In other words, when the slope equals 0.45, we get the lowest sum of the squared residuals.

In this example, we simply calculated the sum of the squared residuals for different slopes.

Now let's add the ridge regression penalty, aka the L2 norm.

if you asked me, it should be called the squared penalty, since that's what it is, and, for me, way easier to remember.

The thick blue line that we just drew represents lambda equals zero.

This is because when lambda equals zero, the penalty is equal to zero,

regardless of the slope, and we are left with the original sum of squared residuals.

Now let's see what happens when we set lambda equal to 10.

And just like before, we'll start with a horizontal line, only this time, the line is orange.

Just like before, we can calculate the residuals.

And we can calculate the sum of the squared residuals plus lambda times the slope squared.

In this case, lambda equals 10.

And the slope of the horizontal line is 0.

So the penalty is 0.

So we plot the sum of the squared residuals here.

Now let's increase the slope to 0.2.

Note, the residuals are smaller than before, so the sum of squared residuals is smaller than before.

But now the penalty is 0.4.

And that gives us this point on the graph.

Now let's increase the slope to 0.4.

And the residuals are even smaller.

But now the penalty is 1.6.

And that gives us this point on the graph.

And like we did before, we can keep plugging in new values for the slope and plotting the sum of the squared residuals plus the penalty,

or we can just plot the curve with a thick orange line that represents lambda equals 10.

The bottom of the parabola is where the slope gives us the lowest sum of squared residuals plus penalty,

and that corresponds to this specific line.

And when we compare that to the optimal slope when lambda equals zero,

we see that setting lambda equal to 10 results in a smaller optimal slope.

Note, we can also see that when lambda equals 10, the lowest point in the parabola is closer to zero than when lambda equals zero.

So, either way we look at it, we see that the larger value for lambda shrunk the optimal value for the slope.

Likewise, the thick green line represents lambda equals 20.

We see that the minimum value is closer to zero, and the optimal slope has shrunk some more.

The purple lines represent lambda equals 40, and it shrinks the slope even more.

In other words, as we increase lambda for the ridge regression penalty, a.k.a the L2 penalty, a.k.a the square penalty,

The optimal slope gets closer and closer to zero, but it does not equal zero.

Bam!

Now let's see what happens if we use the lasso penalty, a.k.a the L1 norm, or, if you asked me,

I'd call it the absolute value penalty.

Unfortunately, no one asked me.

Again, the thick blue line represents lambda equals zero, so there is no extra penalty.

This is because when we plug lambda equals zero into the equation, the penalty becomes zero.

And we are left with the original sum of the squared residuals.

Note, just like before, we'll keep track of the best fitting line plus penalty in this graph on the left.

The thick orange line represents lambda equals 10, so now we are turning on the penalty and shrinking the slope.

When lambda equals 10, we start to see a kink in the curve where the slope is 0.

The thick green line represents lambda equals 20, and this kink at zero is becoming more prominent.

Lastly, the thick purple line represents lambda equals 40.

And now the kink at zero is super obvious.

Now the lowest point in the purple curve,

aka the optimal slope given the absolute value penalty when lambda equals 40, is zero.

And that means the slope of the optimal line is 0.

And that means when lambda equals 40, we ignore weight as a variable when predicting height.

Double bam!

In summary, when we increase the ridge regression penalty, a.k.a the L2 penalty, a.k.a the square penalty,

the optimal slopes shift towards zero, but we retain a nice parabola shape.

And even when we set lambda to something crazy high like 400, we still end up with an optimal value greater than zero.

In contrast, when we increase the lasso penalty, a.k.a the L1 penalty, a.k.a the absolute value penalty,

The optimal value shifts towards zero, but since we have a kink at zero, zero ends up being the optimal slope.

Bam!

Hooray!

We've made it to the end of another exciting StatQuest.

If you like this StatQuest and want to see more, please subscribe.

And if you want to support StatQuest, consider contributing to my Patreon campaign,

becoming a channel member, buying one or two of my original songs or a t-shirt or a hoodie or just donate.

The links are in the description below.

All right, until next time, quest on!

Скачать приложение

Всё для свободной речи

ИИ-оценка произношенияОценка каждой фразы

Практика IPAОсвойте каждый звук

СловарьСоберите свой словарный запас

Игра со словамиУчитесь играя

Сканировать QR

Download on theApp Store Get it onGoogle Play

Тот же канал

FOR YOU

Лексика и советы по произношению к этому уроку

Этот урок разговорной практики построен на видео «Ridge vs Lasso Regression, Visualized!!!». Чаще всего повторяются слова: slope, penalty, lambda, equal, zero. В этом видео 86 предложений и 1111 слов для шедоуинга. Речь длится 9:04. Говорящий держит ровный темп — около 122 слов в минуту, удобный для шедоуинга. Только 70% слов входят в 3000 самых частых слов английского языка, поэтому лексика сложная.

Ключевая лексика этого видео

15 слов из видео, которые стоит выучить, с произношением и значением:

Слово	Произношение	Значение
slope существительное	/sloʊp/	склон, скат
penalty существительное	/ˈpɛn.əl.ti/	наказа́ние, взыска́ние
residual прилагательное	/ɹɪˈzɪd͡ʒ.u.əl/	оста́точный
optimal прилагательное	/ˈɑptɪməl/	оптима́льный, лу́чший
thick прилагательное	/θɪk/	то́лстый
ridge существительное	/ɹɪd͡ʒ/	гре́бень
horizontal прилагательное	/ˌhoɹəˈzɑn.təl/	горизонта́льный
calculate глагол	/ˈkælkjʊleɪt/	вычисля́ть, вы́числить
graph существительное	/ɡɹæf/	гра́фик, диагра́мма
curve существительное	/kɚv/	изги́б, крива́я
purple существительное	/ˈpɝ.pl̩/	пурпу́рный, пурпу́ровый
plug существительное	/plʌɡ/	ште́псельная ви́лка, ште́псель
compare глагол	/kəmˈpɛɚ/	сра́внивать, сравни́ть
versus	/ˈvɝsəs/	про́тив
quest существительное	/kwɛst/	по́иск, по́иски

Фразовые глаголы, которые вы услышите

Слово	Значение
check out глагол	проверя́ть, прове́рить
end up глагол	зака́нчиваться, зако́нчиться

Грамматика в этом видео

Конструкции, которые говорящий использует чаще всего, с точными словами из видео:

Конструкция	В видео
Пассивный залог be + причастие прошедшего времени — важно, что происходит, а не кто это делает	be visualized · should be called · are left
Present Perfect have/has + причастие прошедшего времени — прошлое действие, важное сейчас	has shrunk · We've made

Произношение, на которое стоит обратить внимание

Говорящий использует 8 сокращённых и редуцированных форм, например we'll, we're, I'd. Произносите их коротко, так, как слышите.

Звуки «sh» и «zh»: equation /ɪˈkweɪ.ʒən/, contrast /kənˈt(ʃ)ɹæst/, measurement /ˈmɛʒ.ə.mənt/, regression /ɹiːˈɡɹɛʃ.ən/, visualize /ˈvɪʒuəˌlaɪz/
Длинные слова — следите за ударением: residual /ɹɪˈzɪd͡ʒ.u.əl/, horizontal /ˌhoɹəˈzɑn.təl/, parabola /pəˈɹæb.ə.lə/

Звуки, трудные для русскоязычных:

/w/ — губы округлены, это не /v/: quest /kwɛst/, equation /ɪˈkweɪ.ʒən/, likewise /ˈlaɪkˌwaɪz/
Звонкие согласные в конце слова — не оглушайте их: ridge /ɹɪd͡ʒ/, curve /kɚv/, plug /plʌɡ/, observe /əbˈzɜːv/, likewise /ˈlaɪkˌwaɪz/

Как заниматься с этим видео

Прослушайте всё видео один раз молча и выпишите незнакомые слова.
Повторяйте предложение за предложением на обычной скорости, пока ваш ритм не совпадёт с ритмом говорящего.
Запишите себя и сравните с оригиналом, обращая внимание на такие слова, как slope, penalty, residual.

Что такое техника Shadowing?

Shadowing — это научно обоснованная техника изучения языка, изначально разработанная для подготовки профессиональных переводчиков и популяризированная полиглотом доктором Александром Аргуэльесом. Метод прост, но эффективен: вы слушаете аудио на английском от носителей языка и немедленно повторяете вслух — как тень, следующая за говорящим с задержкой в 1–2 секунды. В отличие от пассивного прослушивания или грамматических упражнений, Shadowing заставляет мозг и мышцы рта одновременно обрабатывать и воспроизводить реальные речевые паттерны. Исследования показывают, что это значительно улучшает точность произношения, интонацию, ритм, связную речь, понимание на слух и беглость речи — что делает его одним из самых эффективных методов для подготовки к IELTS Speaking и реального общения на английском.

Техника шедоуинга: читать полное пошаговое руководство →

Практика Shadowing: Ridge vs Lasso Regression, Visualized!!! - Изучайте разговорный английский по видео

Выберите режим практики

Скачать приложение

Тот же канал

Gaussian Naive Bayes, Clearly Explained!!!

Naive Bayes, Clearly Explained!!!

The Essential Main Ideas of Neural Networks

The GELU, SiLU and SwiGLU activation functions, clearly explained!!!

A Gentle Introduction to Machine Learning

Рекомендуемое видео

GCSE Physics - How to Draw Ray Diagrams - Concave & Convex Lenses (2027/28 exams)

Lec-6 Simplex Method | Maximization Problem | Mathematical Example Solution | Operations Research

Scoliosis: How to medically classify scoliosis (the Lenke System for AIS)

The Complete Guide to Hybrid Search in RAG (BM25 + Embeddings + Reranker)

Differential equations, a tourist's guide | DE1

Mental Debugging: How to Build Resilience After Failure

Statics: Lesson 46 - Distributed Loads Using Centroids

Vanishing & Exploding Gradient explained | A problem resulting from backpropagation

The Scariest IQ Statistics | Jordan Peterson

Google Earth Engine Tutorial 1: Lake Area Estimation

Quick Study: How Venture Capitalists Make Decisions