机器学习中正则化项L1和L2 解读_l1范数惩罚

作者：不正经 | 2024-05-15 19:19:17

踩

l1范数惩罚

@创建于：20211019

正则化(Regularization) 是机器学习中对原始损失函数引入额外信息，以便防止过拟合和提高模型泛化性能的一类方法的统称。也就是目标函数变成了原始损失函数+额外项，常用的额外项一般有两种，英文称作ℓ1−norm和ℓ2−norm，中文称作L1正则化和L2正则化，或者L1范数和L2范数（实际是L2范数的平方）。

L1正则化和L2正则化可以看做是损失函数的惩罚项。所谓惩罚是指对损失函数中的某些参数做一些限制。对于线性回归模型，使用L1正则化的模型叫做Lasso回归，使用L2正则化的模型叫做Ridge回归（岭回归）。

在这里插入图片描述
更详细内容请参考：
深入理解L1、L2正则化
 机器学习中正则化项L1和L2的直观理解

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/不正经/article/detail/574602

机器学习中 正则化项L1和L2 解读_l1范数惩罚

机器学习中正则化项L1和L2 解读_l1范数惩罚