日常问题:L1范数和L2范数在机器学习中的作用?

L1范数就是向量元素的绝对值之和
L2范数就是向量元素的各元素平方和再开根号

  1. 作为损失函数,L1损失和L2损失
    • 解释:损失函数即真实值与预测值之间的差异性度量,L1损失就是所有样本真实与预测值的差值的绝对值之和,L2损失即所有样本真实与预测值的差值的绝对值的平方和
    • 优缺点分析:L2损失一定有一条最优的预测线,L1损失可能存在多个解;L1损失对异常值不敏感,鲁棒性更强
  2. 正则化技术使用到L1正则和L2正则
    • 解释:正则化技术就是为了防止过拟合,所以限制了学习的权重,L1正则即权值的绝对值之和,L2正则即权值的平方和
    • 优缺点分析:L1正则可以稀疏化模型,但是原点处不可导;L2实现简单,缺点即L1的优点

参考链接1
参考链接2

你可能感兴趣的:(机器学习,日常问题,机器学习,人工智能)