首页 > 试题广场 >

L1 和 L2 正则你怎么选？它们各自的效果与风险是什么，工

[问答题]
L1 和 L2 正则你怎么选？它们各自的效果与风险是什么，工程里你是怎么权衡的。
添加回答
Jerryyyytse头像 Jerryyyytse
L1: summation of |W|, let some of the weights be zero, can lower the dimensions L2: summation of W^2, let weights be smaller, can prevent overfitting
发表于 2026-04-13 11:43:16 回复(1)
Raymond_030927头像 Raymond_030927
主要效果是取值不同， 首先是L2，每个权重被施加成正比的压缩力，而小权重几乎不受影响，大权重只是被缩小，但是永远不会精确到0，这是weight decay，不连续 L1每个权重施加同等大小的力，小权重会被挤压到0，大权重回到一个非零值。欠拟合 如果使用深层网络，只用weight decay就可以了， 如果是传统ML任务，还需要考虑是否需要特征解
发表于 2026-03-14 05:24:23 回复(0)
牛客449013692号头像 牛客449013692号
L1选择：目标在于特征选择，追求模型稀疏性，数据中存在异常值；L2选择：目标不需要特征选择，处理特征多重共线性，追求训练效率与稳定性。L1效果：最突出的是​​特征选择​​和​​模型稀疏化​​，能生成更简洁、可解释性更强的模型。风险;不稳定，可能丢失信息。L2效果：防止过拟合，提高模型的泛化能力。风险：不进行特征选择，对异常值敏感。
发表于 2025-10-23 10:33:17 回复(0)
懵懵的萌新头像 懵懵的萌新
L1 要稀疏性，L2 防止过拟合
发表于 2025-10-24 00:07:56 回复(0)
聪明的放鸽子能手allin实习头像 聪明的放鸽子能手allin实习
对于需要进行特征筛选的任务选择l1正则，它会让权重变得稀疏，缺点是对异常值敏感，当需要保留所有特征减少过拟合时使用l2正则，它处处可导，梯度下降稳定，工程中可以同时使用这两种正则化
发表于 2025-09-19 17:07:44 回复(0)
牛客936040679号头像 牛客936040679号
当某些特征对目标值影响比较小时，使用L1正则，去掉无关的特征。当要保留特征时，并且要求鲁棒性好时，用L2正则
发表于 2025-09-11 19:00:22 回复(0)
提交观点

问题信息

来自：机器学习应用-牛客面经八股
难度：
6条回答 451浏览

热门推荐

相关试题

扫一扫，把题目装进口袋

求职之前，先上牛客

扫描二维码，进入QQ群

扫描二维码，关注牛客公众号