日常问题：L1范数和L2范数在机器学习中的作用？

L1范数就是向量元素的绝对值之和
L2范数就是向量元素的各元素平方和再开根号

1. 作为损失函数，L1损失和L2损失
   • 解释：损失函数即真实值与预测值之间的差异性度量，L1损失就是所有样本真实与预测值的差值的绝对值之和，L2损失即所有样本真实与预测值的差值的绝对值的平方和
   • 优缺点分析：L2损失一定有一条最优的预测线，L1损失可能存在多个解；L1损失对异常值不敏感，鲁棒性更强
2. 正则化技术使用到L1正则和L2正则
   • 解释：正则化技术就是为了防止过拟合，所以限制了学习的权重，L1正则即权值的绝对值之和，L2正则即权值的平方和
   • 优缺点分析：L1正则可以稀疏化模型，但是原点处不可导；L2实现简单，缺点即L1的优点

参考链接1
参考链接2