گزینه های زیر را بررسی کنید.

یک مدل خطی با دو ویژگی قویاً همبسته را تصور کنید. یعنی این دو ویژگی تقریباً کپی‌های یکسانی از یکدیگر هستند، اما یک ویژگی حاوی مقدار کمی نویز تصادفی است. اگر این مدل را با قاعدگی L 2 تمرین کنیم، تکلیف وزنه های این دو ویژگی چه می شود؟
هر دو ویژگی وزن تقریباً برابر و متوسطی خواهند داشت.
منظم‌سازی L 2 ویژگی‌ها را به سمت وزن‌های تقریباً معادل که تقریباً نصف وزنی است که اگر تنها یکی از دو ویژگی در مدل وجود داشت، مجبور می‌کند.
یک ویژگی وزن زیادی خواهد داشت. وزن دیگری تقریباً 0.0 خواهد بود.
تنظیم L 2 وزنه های بزرگ را بیشتر از وزنه های کوچک جریمه می کند. بنابراین، حتی اگر یک وزنه شروع به کاهش سریعتر از وزن دیگر کند، تنظیم L 2 باعث می شود وزن بزرگتر سریعتر از وزن کوچکتر کاهش یابد.
یک ویژگی وزن زیادی خواهد داشت. وزن دیگری دقیقاً 0.0 خواهد بود.
تنظیم L 2 به ندرت وزن ها را دقیقاً 0.0 می کند. در مقابل، منظم‌سازی L 1 (که بعداً بحث شد) وزن‌ها را دقیقاً به 0.0 می‌رساند .