L0、L1、L2范数学习笔记

 

1 L0范数

L0范数表示向量中非0元素的个数，即希望数据集中的大部分元素都是0（即希望数据集是稀疏的），

所以可以用于ML中做稀疏编码，特征选择，即通过L0范数来寻找最少最优的稀疏特征项。

但不幸的是，L0范数的最优化问题是一个NP hard问题，而且理论上有证明，L1范数是L0范数的最优凸近似，

因此通常使用L1范数来代替。

2 L1范数

 

常见应用为：Lasso Regression

 

L1范数表示向量中每个元素绝对值的和，L1范数的解通常是稀疏性的，

倾向于选择数目较少的一些非常大的值或者数目较多的insignificant的小值。

3 L2范数

 

常见应用为：Ridge Regression

 

L2范数即欧氏距离，L2范数越小，可以使得w的每个元素都很小，接近于0，

但L1范数不同的是他不会让它等于0而是接近于0.但由于L1范数并没有平滑的函数表示，

起初L1最优化问题解决起来非常困难，但随着计算机技术的到来，

利用很多凸优化算法使得L1最优化成为可能。

 

从贝叶斯先验的角度看，加入正则项相当于加入了一种先验。即当训练一个模型时，
仅依靠当前的训练数据集是不够的，为了实现更好的泛化能力，往往需要加入先验项。

L1范数相当于加入了一个Laplacean先验；
L2范数相当于加入了一个Gaussian先验。

在机器学习中正则化是指在损失函数中通过引入一些额外的信息，来防止ill-posed问题或过拟合问题。
一般这些额外的信息是用来对模型复杂度进行惩罚（Occam's razor）。