标签: L1正则化 - 文档

L1正则化共 2 篇文章

为什么L1正则化产生稀疏解而L2不会：几何与次梯度解释

2026-07-22 12:44:19

为什么L1正则化产生稀疏解而L2不会：几何与次梯度解释机器学习和统计建模中，正则化是防止过拟合、提升模型泛化能力的核心技术。两种最常用的正则化形式是L1正则化（Lasso）和L2正则化（Ridge）。它们的数学模型看似只差一个平方，但导致的参数解却有天壤之别——L1能使大量参数精确归零，产生稀疏解

L1正则化 L2正则化稀疏解

32 0

Proximal Gradient Method在L1正则化问题中的加速收敛

2026-06-28 16:51:08

Proximal Gradient Method在L1正则化问题中的加速收敛 1. 理解L1正则化问题的挑战明确优化目标：求解形如 $\min{x} fx + \lambda \x\1$ 的问题，其中 $fx$ 是光滑凸函数（例如最小二乘损失函数），$\lambda \x\1$ 是L1惩罚项。该

近端梯度法 L1正则化加速收敛

48 0

L1正则化 共 2 篇文章