Note | 機器學習中的範數正則化

目錄 1. \(l_0\)範數和\(l_1\)範數 2. \(l_2\)範數 3. 核範數（nuclear norm） 參考文獻 使用正則化有兩大目標： 抑制過擬合； 將先驗知識融入學習過程，比如稀疏、低秩、平滑等特性。 結合第二點以及貝葉斯估計的觀點，正則化項（regularizer）就是先驗概率項。 監督學習中絕大多數任務都可以概括爲以下最小化目標： \[ w^* = \arg\min_w {

>>阅读原文<<