L1正则：sparse, 参数特别多时，使一部分变为0，只选出比重大的参数
L2正则：雨露均沾
Elastic Net: 一篇经典论文，讲 L1 和 L2 正则一起使用的情况。
L1, L2 正则项
©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
- 在各种神经网络层中添加L1或L2正则项 权重W： 偏置b： 全连接层： 卷积层： 以上层最后计算loss要添加上正...
- 正则化（Regularization） 机器学习中几乎都可以看到损失函数后面会添加一个额外项，常用的额外项一般有两...
- http://blog.csdn.net/jinping_shi/article/details/52433975...
- 原文：http://blog.csdn.net/flowerboya/article/details/518248...
- 原文：http://blog.csdn.net/u012162613/article/details/442616...
