正则化是指对模型做显式约束,以避免过拟合。
L1正则化:使某些系数刚好为 0。这说明某些特征被模型完全忽略。这可以看作是一种自动化的特征选择。某些系数刚好为 0,这样模型更容易解释,也可以呈现模型最重要的特征。
L2正则化:对系数(w)的选择不仅要在训练数据上得到好的预测结果,而且还要拟合附加
约束。我们还希望系数尽量小。换句话说,w 的所有元素都应接近于 0。直观上来看,这
意味着每个特征对输出的影响应尽可能小(即斜率很小),同时仍给出很好的预测结果。
正则化是指对模型做显式约束,以避免过拟合。
L1正则化:使某些系数刚好为 0。这说明某些特征被模型完全忽略。这可以看作是一种自动化的特征选择。某些系数刚好为 0,这样模型更容易解释,也可以呈现模型最重要的特征。
L2正则化:对系数(w)的选择不仅要在训练数据上得到好的预测结果,而且还要拟合附加
约束。我们还希望系数尽量小。换句话说,w 的所有元素都应接近于 0。直观上来看,这
意味着每个特征对输出的影响应尽可能小(即斜率很小),同时仍给出很好的预测结果。