正则化主要是用于降低过拟合的风险。
L1 引入稀疏性，删除影响较少的参数，可减少计算量。拉普拉斯分布（背靠背的指数分布）
L2 均衡各个参数的影响，比较平滑，效果比较好。高斯分布。可以获得更少的非0分类。
L!和L2正则化的过程如图所示
L1，L2正则化示意图
从贝叶斯估计的角度看，正则化项目对应于模型的先验概率，可以假设复杂的模型有比较小的先验概率，简单的模型有较大的先验概率。
（5）L1、L2正则化
©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
【社区内容提示】社区部分内容疑似由AI辅助生成，浏览时请结合常识与多方信息审慎甄别。
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。
相关阅读更多精彩内容
- 1. 最小二乘法（Least squares） 最小二乘法是一种数学优化技术，它通过最小化误差的平方来寻找数据的最...
- 喜欢羽毛轻柔的感觉，像有着纯洁的羽翼的浪漫天使；也喜欢星空，月色撩人繁星点点，拉长我们的身影，整个世界仿佛都浸在朦...
