版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/tiankong_/article/details/87340852
1.正则化的作用
机器学习中，如果参数过多，模型过于复杂，容易产生过拟合状态，故正则化的提出是为了一定程度上避免过拟合。比如，常见的L1和L2正则化。
2.正则化公式
L1：
L1正则化是在原来的损失函数基础上加上权重参数的绝对值。
L2：
L2正则化是在原来的损失函数基础上加上权重参数的平方和。
它们的直观解释参照红色石头博客https://blog.csdn.net/red_stone1/article/details/80755144
3.两者的比较
1.L1可以产生0解，L2可以产生趋近0的解
2.L1获得稀疏解，L2获得非零稠密解
3.如果事先假定只有非常少数的特征是重要的，可以用L1
4.举例直观理解
