关于稀疏性的问题，我们不做过多的研究与讨论，进我们我们从MAP的角度看看L1和L2正则项会让参数W变成一个什么样的分布。
从MAP的角度看的话，我们加入正则项的目的相当于给模型先验项，而L1和L2的区别在于，我们是预先觉得我们的模型属于什么分布的？
如果我们预先觉得模型的参数w分布符合：标准拉普拉斯分布，那么这就是L1正则化：
如果认为是标准的正太分布的化：那么他就可以转化为L2分布：
相关文章：
相似解决方案
热门标签
关于稀疏性的问题，我们不做过多的研究与讨论，进我们我们从MAP的角度看看L1和L2正则项会让参数W变成一个什么样的分布。
从MAP的角度看的话，我们加入正则项的目的相当于给模型先验项，而L1和L2的区别在于，我们是预先觉得我们的模型属于什么分布的？
如果我们预先觉得模型的参数w分布符合：标准拉普拉斯分布，那么这就是L1正则化：
如果认为是标准的正太分布的化：那么他就可以转化为L2分布：
相关文章：