L1和L2正则
L1正则常被用来进行特征选择,主要原因在于L1正则化会使得较多的参数为0,从而产生稀疏解,我们可以将0对应的特征遗弃,进而用来选择特征。一定程度上L1正则也可以防止模型过拟合。
L2正则:
L1损失函数相比于L2损失函数的鲁棒性更好。对异常值更不敏感。
参考资料:
L1和L2 详解(范数、损失函数、正则化) - 知乎 (zhihu.com)
l1正则与l2正则的特点是什么,各有什么优势? - 知乎 (zhihu.com)
L1正则常被用来进行特征选择,主要原因在于L1正则化会使得较多的参数为0,从而产生稀疏解,我们可以将0对应的特征遗弃,进而用来选择特征。一定程度上L1正则也可以防止模型过拟合。
L2正则:
L1损失函数相比于L2损失函数的鲁棒性更好。对异常值更不敏感。
参考资料:
L1和L2 详解(范数、损失函数、正则化) - 知乎 (zhihu.com)
l1正则与l2正则的特点是什么,各有什么优势? - 知乎 (zhihu.com)
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/977774.html
如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!