Machine learning 特征规范化-l2规范化的优势
特征通常在分类之前进行标准化 文献中通常使用L1和L2规范化Machine learning 特征规范化-l2规范化的优势,machine-learning,computer-vision,Machine Learning,Computer Vision,特征通常在分类之前进行标准化 文献中通常使用L1和L2规范化 有谁能评论一下二语规范（或一语规范）相对于一语规范（或二语规范）的优势吗？二语相对于一语规范的优势 正如aleju在评论中所述，L2范数的推导很容易计算。因此，使用基于梯度的学习方法也很容易 L2正则化 优化平均成本（而L1降低了中位数 )这通常被用作绩效衡量标准。如果您知道没有任何异常值，并且希望将总体误差保持在较小的范围内，这一点尤其好 解决方案更可能是独一无二的。这与前一点有关：虽然平均值是单个值，但中值可能位于两点之间的间隔
有谁能评论一下二语规范（或一语规范）相对于一语规范（或二语规范）的优势吗？二语相对于一语规范的优势
- 正如aleju在评论中所述，L2范数的推导很容易计算。因此，使用基于梯度的学习方法也很容易
- L2正则化 优化平均成本（而L1降低了中位数 )这通常被用作绩效衡量标准。如果您知道没有任何异常值，并且希望将总体误差保持在较小的范围内，这一点尤其好
- 解决方案更可能是独一无二的。这与前一点有关：虽然平均值是单个值，但中值可能位于两点之间的间隔内，因此不是唯一的
- 虽然L1正则化可以为您提供稀疏系数向量，但L2的非稀疏性可以提高您的预测性能（因为您可以利用更多特征，而不是简单地忽略它们）
- L2在旋转下是不变的。如果有一个由空间中的点组成的数据集，并且应用了旋转，则仍然会得到相同的结果（即点之间的距离保持不变）
- L1范数更喜欢稀疏系数向量。（）这意味着L1范数执行特征选择，您可以删除系数为0的所有特征。在几乎所有情况下，减小尺寸都是有用的
- L1范数优化中值。因此，L1范数对异常值不敏感
如果您正在处理反问题，L1将返回一个更稀疏的矩阵，L2将返回一个更相关的矩阵。计算L2范数的导数更容易，因为它将每个向量分量平方（与使用绝对值的L1相比）。您可以查看math