L1和L2正则化区别

L1正则化. 优点：输出具有稀疏性，即产生一个 稀疏模型 ，进而可以用于特征选择；一定程度上，L1也可以防止过拟合. 缺点：但在非稀疏情况下计算效率低.

L2正则化 ：. 优点：计算效率高（因为存在解析解）；可以防止模型 过拟合 （overfitting）. 缺点：非稀疏输出；无特征选择. 稀疏模型和特征选择 ：如果特征符合稀疏性，说明特征矩阵很多元素为0，只有少数元素是非零的矩阵，表示只有少数特征对这个模型有贡献，绝大部分特征是没有贡献的，或者贡献微小（因为它们前面的系数是0或者是很小的值，即使去掉对模型也没有什么影响），此时我们就可以只关注系数是非零值的特征。. 这就是稀疏模型与特征选择的关系。.

参考: www.cnblogs.com/LXP-Never/p/10918704.html