机器学习损失函数、L1-L2正则化的前世今生

前言：

        我们学习一个算法总是要有个指标或者多个指标来衡量一下算的好不好，不同的机器学习问题就有了不同的努力目标，今天我们就来聊一聊回归意义下的损失函数、正则化的前世今生，从哪里来，到哪里去。

一．L1、L2下的Lasso Regression

和Ridge Regression

        对于机器学习，谈到正则化，首先映入脑子的可能是L1正则化、L2正则化，接着又跑出来Lasso Regression、Ridge Regression，那么恭喜你，你已经走在了机器学习、人工智能的康庄大道上了，至少短期来看这条路还是不错滴。下面我们就正式开聊，小板凳走起。

        介于大家可能对L1、L2比较熟悉，我们就先从L1、L2这种特殊的正则化聊到他们的原始样貌，知道她从哪里来要到哪里去，走一条从特殊到一般的路，一条更加广阔看的更远的路。

        But不同的方向，不同的学科领域对一些相同的知识点有着不同的爱称，为了交流方便，在这里简单啰嗦一下，L1、L2这种在机器学习方面叫做正则化，统计学领域的人喊她惩罚项，数学界会喊她范数。整体来说本质不变，源于数学。

         L1使用的是绝对值距离，也叫做街区（City-Block）距离（曼哈顿距离），L2使用的是平方距离，也叫做欧式（Euclidean）距离。当盐啦，还有切比雪夫距离等等。

帮助

        敲黑板，不管是绝对值还是平方还是切比雪夫距离都是明氏距离（明考夫斯基距离）的特殊形式额已，大家感兴趣的自己查一下，不继续往下展开了，下一次可以具体写一写更多的别样式的距离。好像跑偏了，赶紧转回