-
L1是模型各個參數的絕對值之和。L2是模型各個參數的平方和的開方值。L1會趨向于產生少量的特征，而其他的特征都是0，因為最優(yōu)的參數值很大概率出現在坐標軸上，這樣就會導致某一維的權重為0，產生稀疏權重矩陣。L2會選擇更多的特征，這些特征都會接近于0。
-
L1是模型各個參數的絕對值之和。L2是模型各個參數的平方和的開方值。L1會趨向于產生少量的特征，而其他的特征都是0，因為最優(yōu)的參數值很大概率出現在坐標軸上，這樣就會導致某一維的權重為0，產生稀疏權重矩陣。L2會選擇更多的特征，這些特征都會接近于0。
-
L1是模型各個參數的絕對值之和。L2是模型各個參數的平方和的開方值。L1會趨向于產生少量的特征，而其他的特征都是0，因為最優(yōu)的參數值很大概率出現在坐標軸上，這樣就會導致某一維的權重為0，產生稀疏權重矩陣。L2會選擇更多的特征，這些特征都會接近于0。
-
L1是模型各個參數的絕對值之和。L2是模型各個參數的平方和的開方值。L1會趨向于產生少量的特征，而其他的特征都是0，因為最優(yōu)的參數值很大概率出現在坐標軸上，這樣就會導致某一維的權重為0，產生稀疏權重矩陣。L2會選擇更多的特征，這些特征都會接近于0。
-
L1是模型各個參數的絕對值之和。L2是模型各個參數的平方和的開方值。L1會趨向于產生少量的特征，而其他的特征都是0，因為最優(yōu)的參數值很大概率出現在坐標軸上，這樣就會導致某一維的權重為0，產生稀疏權重矩陣。L2會選擇更多的特征，這些特征都會接近于0。
-
L1是模型各個參數的絕對值之和。L2是模型各個參數的平方和的開方值。L1會趨向于產生少量的特征，而其他的特征都是0，因為最優(yōu)的參數值很大概率出現在坐標軸上，這樣就會導致某一維的權重為0，產生稀疏權重矩陣。L2會選擇更多的特征，這些特征都會接近于0。
圖文
00:43
00:52
03:01
00:47
03:07