对于机器学习中L1,L2正则化的理解--数据挖掘面试

本人对于正则化l1和l2的理解：

首先，什么是L1,L2正则化：

L1正则化就是对各个特征系数的绝对值之和；

L2正则化就是对各个特征系数的平方和再求平方根；

L1,L2正则化有什么作用？

一般来说：

L1：
L1可以通过构建稀疏权重矩阵来进行特征选择。一般来说，我们在进行特种选择时，特征过多，有的特征特别稀疏，对于那些稀疏的特征，其实对于总的特征选择而言影响并不大，所以，为了选择关键特征，可以l1来对那些系数特征进行过滤，使用l1构造系数矩阵，这样就可以去除那些稀疏特征，起到一个特征选择的作用。
当l1正则化的正则化系数较小时，也可以起到防止模型过拟合的作用。

L2：作用

l2可以有效防止模型过拟合，提高模型的兼容性和鲁棒性。

那么l1，l2如何使用在公式之中，详细的使用过程见：
以下链接，讲得特别好，收藏一下。
https://blog.csdn.net/jinping_shi/article/details/52433975

说一句，想这样的题目，面试的时候面试官是会问你的，如果从事机器学习，数据挖掘这方面的同学，一定需要掌握的。