1.L1是模型各个参数的绝对值之和。
L2是模型各个参数的平方和。
2.L1会趋向于产生少量的特征，而其他的特征都是0
因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0 ，产生稀疏权重矩阵
L2会选择更多的特征，这些特征都会接近于0。
最优的参数值很小概率出现在坐标轴上，因此每一维的参数都不会是0。当最小化||w||时，就会使每一项趋近于0
匿名回答于2023-09-13 12:06:43
