L1和L2正則化的區別是什么？
L1和L2正則化都是機器學習中用于防止過擬合的技術，它們通過向模型的損失函數添加一個懲罰項來鼓勵模型參數的稀疏性或平滑性。
L1 正則化（也稱為 Lasso 正則化）：
它對模型的權重施加一個 L1 范數懲罰，即權重之和的絕對值。這意味著一些權重會被推向0，所以它傾向于產生稀疏解。當數據中有許多無關特征時，L1 正則化特別有用，因為它可以自動進行特征選擇，將大部分權重置零。
L2 正則化（也稱為 Ridge 正則化）：‘
相比之下，L2 正則化采用的是權重平方和的懲罰。這種懲罰導致權重盡可能的小但非零，因此所有特征都會保留在模型中，但會減小其重要程度。L2 更適合連續的數據集，能平滑參數分布，有助于防止極端值影響。
區別總結：
L1 強制某些參數為0，產生特征選擇的效果；
L2 則會讓所有參數趨于較小但非零值，強調參數的一致性和穩定性；
L1 對異常值較不敏感，而 L2 更能抵抗離群點的影響；
L1 更偏向于減少特征的數量，L2 則保持所有特征但減弱其作用。
)
