L1 L2正則化及貝葉斯解釋

1 L1正則化和L2正則化區別 L1得到的是稀疏權值，可以用於特徵選擇，假設參數服從Laplace分佈（貝葉斯角度理解） L2得到的是平滑權值，因爲所有權值都趨於最小，假設參數服從Gauss分佈，(並趨於一致，因爲一致時平方和，最小) 2 L1正則化稀疏解理解 2.1問題轉化 2.2圖形化解釋   2.3其他理解 2.4 L1求導 求導方法：近端梯度下降   參考： [1]機器學習中的範數規則化之

>>阅读原文<<