待验证50% 置信事实精确时间

当先验为高斯分布N(0, σ²I)时，取对数后先验项变为参数的L2范数惩罚，等价于岭回归的正则化项；拉普拉斯先验对应L1范数惩罚即Lasso回归

1

来源数

50%

置信度

长期有效

时效性

2026/9/4

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

岭回归concept Lasso回归concept

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74% 相似待验证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74% 相似待验证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，实现自动特征选择73% 相似已验证正则化中常见的L1（Lasso）和L2（Ridge）通过在损失函数中加入惩罚项来约束模型复杂度以防止过拟合71% 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69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/855095

API

curl https://kongchang.com/api/v1/knowledge/claims/855095

MCP

get_claim(id=855095)