众所周知，L1-norm通过稀疏规则将部分无用特征的权值置0，可将模型简化。而L2-norm仅仅是将每个特征的权值尽量地去减小，这样怎么就会让模型变得简单了呢？
3个回答
我的理解：有规则的数据在特征向量空间里，应该是“简单”（稀疏）的；相对的噪音，因为没有规则，在任何特征向量空间都是“复杂”（dense）的。最稀疏的prior应该是L0-norm（数个数），但是没法实现；然后就用L1-norm（减小绝对值和）去限制；再弱一点的prior是L2-norm，减小平方和，其实是不能允许有大的系数。
各种Norm都可以让系数变得稀疏，只是强度不同，还有对系数值的分布也不同。比如L2-norm(x)对应的是x满足Guassian分布。L1-norm对应Laplace。
举个例子：一共10个未知数x，Lp-norm（x）=100, p=0,1,2...。你可以看当p等于不同值时，满足以上条件的x的分布。
SofaSofa数据科学社区 DS面经 问答 实战
Zealing
2018-03-15 01:03
这要看你怎么理解这个“简单”“复杂”了。
斯坦福的一个讲义里说，在特征都被标准化处理的情况下，回归系数越大，模型的复杂度越大。所以特征系数变成0，模型复杂度会下降；系数变小，当然也是复杂度下降。
数据痴汉
2018-03-14 22:36
相关主题
Ridge回归的解析解是什么？
3回答
lasso path是什么意思？
1回答
Lasso的自由度是多大？
1回答
关于lasso和ridge的区别
1回答
Ridge，Lasso，ElasticNet的目标函数分别是什么？
1回答
请问 L1 到底为什么具有稀疏性
4回答
post lasso是什么意思？
2回答
LASSO是无偏的还是有偏的？
2回答
为什么LASSO可以做特征选择，而Ridge却不行？
3回答
我们谢绝在回答前讲“生动”的故事。
我们谢绝“这么简单，你自己想”、“书上有的，你认真看”这类的回答；如果你认为对方的提问方式或者内容不妥，你可以直接忽略该问题，不用进行任何作答，甚至可以对该问题投反对票。
我们谢绝答非所问。
我们谢绝自己不会、硬要回答。
我们感激每一个用户在编写答案时的努力与付出！