正则化项L1和L2

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。

• L1是模型的各个参数的绝对值之和
• L2是模型各个参数的平方和的开方值

区别：

1. L1会趋向于产生少量的特征，而其他的特征都是0。
   • 从图形上理解：应为最优的参数值很大概率出现在坐标轴上，这样就导致某一维的权重为0，产生稀疏权重矩阵。
   • 从贝叶斯的角度理解：加上正则化项L1，等同于对θ假设一个先验分布为拉普拉斯分布
2. L2会选择更对的特征，这些特征都会接近于0。最优参数值很小概率出现在坐标轴上，因为每一维的参数都不会是0。当最小化||W||时，就会使每一项趋近于0，而不是稀疏。

• • 从图上上理解：L2约束条件在解空间中没有角，因而更倾向于约束其值的大小，而不是使其为0
  • 从贝叶斯的角度理解：L2相当于给θ一个先验分布为高斯分布。

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

正则化项L1和L2

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