MachineLearning

# L0, L1, L2规则化

1. L0范数是指向量中非0的元素的个数。如果我们用L0范数来规则化一个参数矩阵W的话，就是希望W的大部分元素都是0。

2. L1范数是指向量中各个元素绝对值之和，也有个美称叫“稀疏规则算子”（Lasso regularization） (L0, L1可以实现参数矩阵W的稀疏化，即更多的0值，这样有利于**特征选择(Feature Selection)**）

3. L2范数是指向量各元素的平方和然后求平方根。我们让L2范数的规则项||W||2最小，可以使得W的每个元素都很小，都接近于0，但与L1范数不同，它不会让它等于0，而是接近于0；而越小的参数说明模型越简单，越简单的模型则越不容易产生过拟合现象。