作为正则化
在机器学习中,正规化是防止过拟合的一种重要技巧。从数学上讲,它会增加一个正则项,防止系数拟合得过好以至于过拟合。L1与L2的区别只在于,L2是权重的平方和,而L1就是权重的和。如下:
最小平方损失函数的L1正则化:
最小平方损失函数的L2正则化:
它们的性质的区别能快速地总结如下:
L1正则化 | L2正则化 |
---|---|
在非稀疏情形下计算效率低 | 计算效率高(因为有解析解) |
稀疏输出 | 非稀疏输出 |
内置特征选择 | 无特征选择 |
在机器学习中,正规化是防止过拟合的一种重要技巧。从数学上讲,它会增加一个正则项,防止系数拟合得过好以至于过拟合。L1与L2的区别只在于,L2是权重的平方和,而L1就是权重的和。如下:
最小平方损失函数的L1正则化:
最小平方损失函数的L2正则化:
它们的性质的区别能快速地总结如下:
L1正则化 | L2正则化 |
---|---|
在非稀疏情形下计算效率低 | 计算效率高(因为有解析解) |
稀疏输出 | 非稀疏输出 |
内置特征选择 | 无特征选择 |