机器学习中L1正则化和L 2正则化的区别是()?
A: 使用L1可以得到稀疏的权值
B: 使用L1可以得到平滑的权值
C: 使用L2可以得到稀疏的权值
D: 使用L2可以得到平滑的权值
A: 使用L1可以得到稀疏的权值
B: 使用L1可以得到平滑的权值
C: 使用L2可以得到稀疏的权值
D: 使用L2可以得到平滑的权值
举一反三
- 机器学习中L1正则化和L2正则化的区别是? A: 使用L1可以得到稀疏的权值 B: 使用L1可以得到平滑的权值 C: 使用L2可以得到稀疏的权值
- 下列有关机器学习中L1正则化和L2正则化说法正确的是？（） A: 使用L1可以得到稀疏的权值 B: 使用L2可以得到稀疏的权值 C: 使用L1可以得到平滑的权值 D: 使用L2可以得到平滑的权值
- 关于L1正则和L2正则 下面的说法正确的是（ ） A: L2范数可以防止过拟合，提升模型的泛化能力。但L1正则做不到这一点 B: L2正则化表示各个参数的平方和的开方值 C: L1范数会使权值稀疏 D: L2正则化有个名称叫“Lasso regularization”
- 关于L1正则和L2正则 下面的说法正确的是 A: L2范数可以防止过拟合，提升模型的泛化能力。但L1正则做不到这一点 B: L2正则化标识各个参数的平方的和的开方值。 C: L2正则化有个名称叫“Lasso regularization” D: L1范数会使权值稀疏
- L2正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择。