L1正则为什么会产生稀疏解

在机器学习中，当模型过于复杂时，为了防止产生过拟合的现象，最常用的方法时采用正则化，如L1正则和L2正则.

正则化的本质

L2正则就是在原来的损失函数的基础上加上权重参数的平方和.
$$L=L_0+\lambda \sum _j{w}_j^2$$
其中$L_0$是训练样本误差，$\lambda$是正则化参数.
正则化的目的是防止参数过多或者过大，从而避免模型过于复杂. 为了达到这一目的最直接的方法是限制参数的个数，但是这属于NP-hard问题，求解很困难，所以我们通常采取的限定条件是
$$\sum _j{w}_j^2\le C$$

所谓的添加正则项的损失函数，本质上是原始训练误差在给定上述约束条件下的最小化，这样我们通过拉格朗日乘数法即可将其转化为无约束问题，也就是我们添加了正则项的损失函数$L$，拉格朗日乘子即是正则化参数.

L2正则化

直观解释

假设损失函数是在二维上求解，即参数的个数为2，我们可以绘制出如下图象，其中彩色实线是$L_0$的等值线，黑色的是$L2$的等值线，从二维空间上看， L 2 L2