该教程适用
1.L1是模型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。2.L1会趋向于产生少量的特征，而其他的特征都是0，因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0，产生稀疏权重矩阵。L2会选择更多的特征，这些特征都会接近于0。3.最优的参数值很小概率出现在坐标轴上，因此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。
工具：
型号：
系统：
软件：
操作步骤/方法
方法教程
1 l1和l2正则化的区别是： 2 1.L1是模型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。 3 2.L1会趋向于产生少量的特征，而其他的特征都是0，因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0，产生稀疏权重矩阵。L2会选择更多的特征，这些特征都会接近于0。 4 3.最优的参数值很小概率出现在坐标轴上，因此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。