機器學習中L1正則化和L2正則化的區別

L1正則假設參數的先驗分佈是Laplace分佈，可以保證模型的稀疏性，也就是某些參數等於0； L2正則假設參數的先驗分佈是Gaussian分佈，可以保證模型的穩定性，也就是參數的值不會太大或太小 在實際使用中，如果特徵是高維稀疏的，則使用L1正則；如果特徵是低維稠密的，則使用L2正則。 最後，附一張示意圖。 右側是L1正則，最優解位於座標軸上，意味着某些參數是0。 

>>阅读原文<<