机器学习中L1正则化和L2正则化的区别

本文探讨了机器学习中L1和L2正则化的不同效果:L1正则化倾向于产生稀疏的权重,使得部分权重精确为0;而L2正则化则使权重变得更加平滑,有助于减少模型的过拟合风险。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

机器学习中L1正则化和L2正则化的区别是?

正确答案: A D   你的答案: B C (错误)

使用L1可以得到稀疏的权值
使用L1可以得到平滑的权值
使用L2可以得到稀疏的权值
使用L2可以得到平滑的权值





使用L1正则后的权值更新规则多了一项   η * λ * sgn(w)/n,这一项   当w为正时,更新后的w变小。当w为负时,更新后的w变大——因此它的效果就是让w往0靠,使网络中的权重尽可能为0,也就相当于减小了网络复杂度,防止过拟合。所以说L1可以得到更稀疏的权值。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值