L2보다 L1 정규화를 사용하는 이유는 무엇입니까?

손실 함수를 사용하여 선형 회귀 모델을 수행하는 이유는 무엇입니까? $L_1$ 대신에 $L_2$ 정규화?

과적 합을 방지하는 것이 더 낫습니까? 결정적입니까 (그래서 항상 독특한 솔루션입니까)? 희소 모델을 생성하기 때문에 기능 선택이 더 낫습니까? 기능들 사이에 가중치가 분산됩니까?

기본적으로, 우리는 계수가 너무 적합하기에 완벽하게 맞지 않도록하기 위해 정규화 항을 추가합니다.

L1과 L2의 차이는 L1이며 가중치의 합이고 L2는 가중치의 제곱의 합입니다.

L1은 L2와 달리 구분할 수 없기 때문에 그라디언트 기반 방식에는 사용할 수 없습니다.

L1은 스파 스 형상 공간에서 형상 선택을 수행하는 데 도움이됩니다.

속성의 차이점은 다음과 같이 요약 할 수 있습니다.

L2는 L1에있어 매우 중요한 이점 중 하나이며, 이는 회전 및 스케일에 대한 불변입니다.

이것은 지리적 / 물리적 응용에서 특히 중요합니다.

기술자가 실수로 센서를 45도 각도로 설치했다고 가정하면 L1은 영향을 받고 L2 (유클리드 거리)는 동일하게 유지됩니다.