Machine learning 为什么正规化可以'；不接受Φ；作为惩罚参数？

为什么正则化不能接受Φ作为惩罚参数？但接受Φ^2（L2）和|Φ|（L1）

---

还有其他惩罚参数形式吗？

正则化项通常是向量范数，因为它输出一个标量值，表示特定空间中向量的长度。这里重要的是它是一个标量值，而不是向量。不能将单个向量用作正则化项，因为正则化值将添加到损失函数中，而损失函数也是标量。因此，您需要从这个向量计算一些标量并使用它，而这正是向量范数所做的。正如您所想象的，将标量值作为正则化项非常直观：越高，正则化就越多

是的，还有其他一些正则化方法。例如，弹性网方法，它结合了L1和L2范数函数。但通常，最流行的是单L1（套索回归）和单L2（岭回归）。我还鼓励您寻找正则化术语背后的贝叶斯假设，它们非常有趣，并且是一种完全不同的观点；）

---

在其他算法家族（如神经网络）中，正则化是通过提前停止来完成的，或者在变分自动编码器中，具有潜在变量分布中各向同性高斯的先验信念。

我投票结束这个问题，因为它不是关于中定义的编程，而是关于ML理论和/或方法-请参阅机器学习中的介绍和注记。。谢谢。尽管有些人投票决定关闭。但是谢谢你的解释。