待验证50% 置信事实精确时间

Ridge回归添加L2惩罚项（权重的平方和），倾向于缩小所有系数；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

1

来源数

50%

置信度

长期有效

时效性

2026/8/28

首次发现

来源

机器学习学习路线图：85天从零到精通的完整规划

涉及实体

Ridge回归concept Lasso回归concept

相关事实

待验证L1正则化倾向于产生稀疏解（许多参数恰好为零），在特征选择中有用68% 相似待验证传统SAE通过L1正则化惩罚项鼓励稀疏性，但存在'死特征'问题和需要精细调节正则化系数的难题60% 相似待验证正交变换保持向量的L2范数和向量间夹角不变，正交矩阵的条件数恒为160% 相似待验证正则化方法（如L1/L2正则化、Dropout、早停法）本质上是通过引入少量偏差来大幅降低方差，从而提升泛化能力59% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/815721

API

curl https://kongchang.com/api/v1/knowledge/claims/815721

MCP

get_claim(id=815721)