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: