机器学习之L1正则化和L2正则化比较附经典面试题

正则化项公式

在这里插入图片描述

  1. L1正则化:权值向量w中各个元素的绝对值之和:
    在这里插入图片描述

  2. L2正则化:权值向量w中各个元素的平方和:
    在这里插入图片描述

比较:L1正则化 VS L2正则化

  1. L1正则化可以产生稀疏权值矩阵,即产生一个稀疏模型,可以用于特征选择
  2. L2正则化可以防止模型过拟合(overfitting)

经典面试题

为什么 L1 正则可以产生稀疏模型(很多参数=0),而 L2 正则不会出现很多参数为0的情况?
在这里插入图片描述
这是一个有限制条件的最优化问题
图中圆心是损失函数的最小值,交点处的菱形和圆形是l1和l2正则化需要兼顾的范围。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    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
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