L1-norm 与 L2-norm (Least Absolute Deviations and Least Squares)

本文介绍了L1-norm(最小绝对偏差)和L2-norm(最小二乘)在机器学习中的应用,包括正则化和损失函数。L1-norm具有鲁棒性和稀疏性,适合特征选择,而L2-norm则更稳定,通常导致唯一解。通过实例展示了两者对异常值的敏感度差异。
摘要由CSDN通过智能技术生成

在练习机器学习时,您可能会选择使用L1范数或L2范数进行正则化或作为损失函数,等等。

L1-范数也称为最小绝对偏差(LAD),最小绝对误差(LAE),又叫做 taxicab-norm 或者 Manhattan-norm。这基本上是将目标值(Yi)与估计值 (f(xi)) 之间的绝对差(S)的总和最小化:
在这里插入图片描述
L2-范数也称为最小二乘。它基本上是最小化目标值(Y i)与估计值(f(x i)之间的差(S)的平方和:
在这里插入图片描述

L1-norm和L2-norm的差异可以迅速总结如下:
<
L2 L1
鲁棒性 (弱) 鲁棒性 (强)
解法 (稳定) 解法 (不稳定)
唯一解 (是) (可能有多个解)
没有特征选择 内置特征选择
鲁棒性(弱) 鲁棒性(强)
没有稀疏输出
  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值