L1正则化：
目标函数后面加上权重的绝对值，使得部分权重变为0，形成稀疏性矩阵，可以防止过拟合同时可以用来进行特征选择。
L2正则化：
目标函数后面加上权重的平方，使得权重不断减小，但始终不为0，使其权值分布均衡，防止过拟合。
本文探讨了正则化在机器学习中的重要性，重点讲解了L1和L2正则化的区别和作用。L1正则化通过引入权重绝对值，能诱导模型产生稀疏权重矩阵，从而实现特征选择并防止过拟合。而L2正则化通过添加权重平方项，使权重逐渐减小但不为0，保持权值分布均衡，同样用于抑制过拟合。
2880
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
