待验证50% 置信事实精确时间

当先验为均匀分布时MAP退化为MLE，高斯先验对应岭回归（Ridge），拉普拉斯先验对应Lasso回归

1

来源数

50%

置信度

长期有效

时效性

2026/9/3

首次发现

来源

用Claude Code整理机器学习笔记：CS189自学实践与方法论

涉及实体

MLEconcept MAPconcept Ridgeconcept Lassoconcept

相关事实

已验证从贝叶斯视角理解，L1正则化对应参数的拉普拉斯先验，L2正则化对应高斯先验73% 相似待验证L2正则化（Ridge回归）从贝叶斯视角等价于假设模型参数服从均值为零的高斯先验分布67% 相似已验证L1正则化（Lasso）会产生稀疏解，具有自动特征选择的效果，适合高维稀疏数据65% 相似待验证卡尔曼滤波是线性高斯假设下的贝叶斯最优估计器，其预测-更新两步迭代对应先验与后验概率的递推计算62% 相似待验证DoRA将权重分解为幅度与方向两个分量分别处理，在同等参数量下通常能获得更接近全量微调的表现61% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/851284

API

curl https://kongchang.com/api/v1/knowledge/claims/851284

MCP

get_claim(id=851284)