详细解释L1和L2正则化的区别（面试题200合集）

L1和L2正则化的区别：通俗易懂的解释

在机器学习中，模型训练的目标是让预测结果尽量接近真实数据，也就是最小化所谓的“损失函数”。但如果模型太复杂，比如参数太多、太随意，它可能会过于贴合训练数据，导致在没见过的新数据上表现很差，这种情况叫“过拟合”。为了避免过拟合，我们会用一种叫“正则化”的技术，通过在损失函数里加一个“惩罚项”，限制模型的复杂度，让它更简单、更能适应各种数据。L1正则化和L2正则化是两种常用的正则化方法，它们虽然目的一样，但实现方式和效果却大不一样。下面我会尽量用通俗的语言，详细解释它们的区别。

---

1. L1正则化：让参数“断舍离”

L1正则化（也叫Lasso回归）的核心是把模型参数的绝对值之和加到损失函数里，作为惩罚项。数学公式长这样：

L = L