L1 L2正则化及贝叶斯解释

1 L1正则化和L2正则化区别 L1得到的是稀疏权值，可以用于特征选择，假设参数服从Laplace分布（贝叶斯角度理解） L2得到的是平滑权值，因为所有权值都趋于最小，假设参数服从Gauss分布，(并趋于一致，因为一致时平方和，最小) 2 L1正则化稀疏解理解 2.1问题转化 2.2图形化解释   2.3其他理解 2.4 L1求导 求导方法：近端梯度下降   参考： [1]机器学习中的范数规则化之

>>阅读原文<<