Регулярізація L1 більш надійна, ніж регулярізація L2, з досить очевидної причини. Регулярізація L2 бере квадрат ваг, тому вартість викидів, присутніх у даних, зростає експоненціально. Регулярізація L1 приймає абсолютні значення ваг, тому вартість зростає лише лінійно.4 серпня 2023 р
Стійкість: L1 > L2. Норма L1 більш надійна, ніж норма L2, з досить очевидних причин: норма L2 зводить значення в квадрат, тому експоненціально збільшує вартість викидів; норма L1 приймає лише абсолютне значення, тому вона розглядає їх лінійно.
Регулярізація L1 має тенденцію наближати ваги моделі до нуля. Це призводить до автоматичного вибору функції, оскільки багато ваг можуть бути встановлені рівними нулю. З цієї причини регулярізація L1 може бути корисною, коли вибір ознак необхідний для усунення неінформативних ознак.
Причина розрідженості Регулярізація L1 призводить до того, що коефіцієнти досить швидко зближуються до 0, оскільки обмеження обмежує всі вагові вектори лежати в межах норми L1. Швидкість збіжності вища для L1 через те, що перша похідна втрати дорівнює просто λ для L1, тоді як 2 λ 2\lambda 2λ для L2.
Відсутність вибору функцій: На відміну від регулярізації L1, L2 не виконує вибір функцій, що може призвести до менш легкої інтерпретації моделі. Може не обробляти нерелевантні функції: він може бути не таким ефективним, як L1, у обробці зовсім нерелевантних функцій.
Регулярізація L1 більш надійна, ніж регулярізація L2 з досить очевидної причини. Регулярізація L2 бере квадрат ваг, тому вартість викидів, присутніх у даних, зростає експоненціально. Регулярізація L1 приймає абсолютні значення ваг, тому вартість зростає лише лінійно.