谈谈 L1 与 L2-正则项 | 始终

[Liam0205]

https://liam.page/2017/03/30/L1-and-L2-regularizer/

在前作里，我们讨论了机器学习里的偏差-方差权衡。机器学习里的损失函数（代价函数）可以用来描述模型与上帝真相（ground truth）之间的差距，因此可以解决「偏差」的问题。但是仅有损失函数时，我们无法解决方差的问题，因而会有过拟合风险。 今次我们讨论损失函数的反面——正则项，看看 $L_1$-正则项和 $L_2$-正则项是如何使机器学习模型走出过拟合的泥沼的。

[changchang0801]

可以谈谈什么时候用L1什么时候用L2么？从区别的角度还是没有一下子明白

[Liam0205]

@changchang0801 这个其实是看你追求的是什么。就像文章中说的，L1 倾向于得到稀疏解，L2 倾向于得到平滑解。 所以，在需要稀疏性的场景下，比如 online learning 的场景下，需要稀疏解。这时候，就需要各种魔改 L1 的用法。

[fangding678]

在真实的计算中，L1正则如何得到0呢？参数w=0.005，梯度更新之后w=-0.002，这样w也一直在0附近震荡，无法达到0呀

[yuriyao]

@fangding678 在真实的计算中，L1正则如何得到0呢？参数w=0.005，梯度更新之后w=-0.002，这样w也一直在0附近震荡，无法达到0呀

如果参数值接近于0，直接设置为0；下一次参数更新导致损失变大了，就不更新了，