Esplora le opzioni seguenti.

Immagina un modello lineare con 100 funzionalità di input:

10 sono altamente istruttive.

90 non sono informativi.

Supponiamo che tutti gli elementi abbiano un valore compreso tra -1 e 1. Quali delle seguenti affermazioni sono vere?

La regolarizzazione L1 incoraggerà molti dei pesi non informativi a essere quasi (ma non esattamente) 0,0.

In generale, la regolarizzazione L1 di una lambda sufficiente tende a incoraggiare le caratteristiche non informative con ponderazioni esattamente 0,0. A differenza della regolarizzazione L2, la "regolazione" L1 "pushs" o "dura" verso 0,0 non importa quanto il peso sia compreso tra 0,0.

La regolarizzazione L1 incoraggerà la maggior parte dei pesi non informativi a essere esattamente 0,0.

La regolarizzazione L1 di una lambda sufficiente tende a incoraggiare i pesi non informativi a diventare esattamente 0,0. In questo modo, queste funzionalità non informative lasciano il modello.

La regolarizzazione L1 può far sì che le funzionalità informative abbiano una ponderazione pari esattamente a 0,0.

Attenzione: la regolarizzazione L1 può causare l'assegnazione di ponderazioni esattamente pari a 0 ai seguenti tipi di funzionalità:

Funzionalità deboli e informative.

Funzionalità altamente istruttive su diverse scale.

Le funzionalità informative sono strettamente correlate ad altre informazioni analoghe.