https://blog.csdn.net/tianguiyuyu/article/details/80438630

以上是莫烦对L1和L2的理解

l2正则：权重的平方和，也就是一个圆

l1正则：权重的绝对值之和，等价与一个正方形。

图中，正则项和损失项的交点就是最优解的位置，我们可以看到，在只有2个参数的情况下，l1倾向使得某个参数直接为0；l2倾向使得某些参数逼近0

 

再看下吴恩达的理解

正则化的意义：在于让高阶的参数逼近0，使其对拟合函数的贡献变小；可以看到theta3和theta4，我们给他很高的系数，在求解最小值的过程中，我们更倾向给theta3和theta4更大的惩罚，使之变得很小很小。

 

这是某个损失函数增加了L2正则化后的loss

下面是针对加了L2损失函数的梯度下降求解过程

 

版权声明：本文为ivyharding原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/ivyharding/p/11404202.html