已验证75% 置信事实精确时间
正则化中常见的L1（Lasso）和L2（Ridge）通过在损失函数中加入惩罚项来约束模型复杂度以防止过拟合
5
来源数
75%
置信度
长期有效
时效性
2026/7/12
首次发现
来源
数据科学高效学习指南：结伴学习法与《Hands-On ML》实践
redditr/learnmachinelearning2026/7/11
相关事实
待验证L1正则在损失函数中加入参数绝对值之和作为惩罚项，其几何性质使最优解倾向落在坐标轴上，L2正则则加入参数平方和，惩罚大系数但不将其归零76% 相似待验证Lasso回归添加L1惩罚项（权重的绝对值之和），能将不重要特征的系数压缩为零，实现自动特征选择75% 相似待验证L2正则化通过惩罚过大的权重来提升模型的泛化能力。73% 相似待验证纯Lasso在面对高度相关的基因时表现不稳定，往往从一组相关基因中随机挑一个，而Ridge的L2惩罚能让相关特征抱团保留72% 相似待验证当先验为高斯分布N(0, σ²I)时，取对数后先验项变为参数的L2范数惩罚，等价于岭回归的正则化项；拉普拉斯先验对应L1范数惩罚即Lasso回归71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/491631API
curl https://kongchang.com/api/v1/knowledge/claims/491631MCP
get_claim(id=491631)