标签:高斯分布 坐标 过拟合 com 大小 贝叶斯 绝对值 约束 www
L1和L2正则化项,又叫做惩罚项,是为了限制模型的参数,防止模型过你和而加在损失函数后面的一项。
区别:
作用:L1正则化可以产生稀疏模型,L2正则化项可以防止过拟合(因为拟合的过程中通常都倾向于让权值尽可能小,最后构造一个所有参数都比较小的模型。因为一般认为参数值小的模型比较简单,能适应不同的数据集,也在一定程度上避免了过拟合数据(抗扰动能力))。
参考:
李航《统计学习方法》
http://www.cnblogs.com/lyr2015/p/8718104.html
https://blog.csdn.net/YoYoDelphine/article/details/52888315
https://blog.csdn.net/jinping_shi/article/details/52433975
标签:高斯分布 坐标 过拟合 com 大小 贝叶斯 绝对值 约束 www
原文地址:https://www.cnblogs.com/R-dog/p/9737465.html