Min*_*hen 1 machine-learning neural-network supervised-learning deep-learning
那么，在机器学习中，防止过拟合的一种方法是添加 L2 正则化，有人说 L1 正则化更好，这是为什么呢？另外我知道L1是用来保证数据的稀疏性的，这个结果的理论支持是什么？
Sem*_*maz 5
L1 正则化用于稀疏性。这在您处理大数据时尤其有用，因为 L1 可以生成比 L2 正则化更多的压缩模型。这基本上是因为随着正则化参数的增加，您的最优值有更大的可能性为 0。
由于平方，L2 正则化对大数的惩罚更多。当然，L2 在平滑方式上更“优雅”。
你应该检查这个网页
聚苯乙烯
数学上更全面的解释可能不适合本网站，例如您可以尝试其他 Stack Exchange 网站
归档时间：
10 年，5 月 前
查看次数：
1920 次
最近记录：
6 年，4 月 前