待验证50% 置信事实精确时间
L1正则在损失函数中加入参数绝对值之和作为惩罚项，其几何性质使最优解倾向落在坐标轴上，L2正则则加入参数平方和，惩罚大系数但不将其归零
1
来源数
50%
置信度
长期有效
时效性
2026/10/10
首次发现
来源
涉及实体
相关事实
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76% 相似待验证当先验为高斯分布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75% 相似待验证在鲁棒回归中将似然函数从高斯替换为t分布，等价于在损失函数中降低离群点的权重，能提升模型对异常值的鲁棒性71% 相似待验证SAGA 通过引入近端算子（proximal operator）技巧支持 L1 正则，同时保持方差缩减性质68% 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67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/994143API
curl https://kongchang.com/api/v1/knowledge/claims/994143MCP
get_claim(id=994143)