正则化项可以看做损失函数中添加惩罚项,惩罚项的目的在于对其中的一些参数进行限制。L1正则化的模型又称为Lasso回归,使用L2正则项的模型又称为岭回归(Ridge回归)。
L1: L1正则化就是对loss加上w的绝对值的和,也就是1范数
L2: L2正则化就是对loss加上w的平方和,也就是2范数
L1,L2都能用于防止过拟合,但是L2更常用。
L1可以产生稀疏的权值矩阵,即产生一个稀疏模型,用于特征选择。特征选择,在有些数据中,特征特别多,但其中有些特征对模型的贡献是很小的,甚至没有贡献,这些特征就可以去掉。
详细解释:https://blog.csdn.net/jinping_shi/article/details/52433975
https://www.jianshu.com/p/d17d032cfa96