L0、L1、L2范式对比

最新推荐文章于 2025-10-04 21:46:30 发布

转载最新推荐文章于 2025-10-04 21:46:30 发布 · 668 阅读

机器学习专栏收录该内容

7 篇文章

订阅专栏

博客介绍了L2正则能减轻过拟合风险的原理。L2正则使模型参数W每个元素接近0，让模型更简单，能适应不同数据集。以线性回归为例，参数小会增加模型抗扰动能力，数据偏移对结果影响小，从而减小过拟合风险。

https://blog.youkuaiyun.com/zouxy09/article/details/24971995/

L2为什么能减轻过拟合风险：

L2正则相当于在使模型的参数W每个元素都很小，接近于0，而这样做的之后，也就是使模型相对简单，能适应不同的数据集，也在一定程度上避免了过拟合现象。而为什么参数小就能使模型减轻过拟合风险呢？以线性回归方程生动举例，假若参数较大，那么只要数据稍微偏移一点点，因W较大，也就会造成结果偏移很大；相反如果W相对较小，那么数据偏移较大也不会对结果产生很大影响，模型的抗扰动能力被增加，从而能减小过拟合风险。