L1 正则化
了解以下选项。
假设某个线性模型具有 100 个输入特征：
其中 10 个特征信息丰富。
其中 90 个特征信息缺乏。
假设所有特征的值都介于 -1 到 1 之间。以下哪些说法是正确的？
L1 正则化会使许多信息缺乏的权重接近（但并非正好）为 0.0。
一般来说，lambda 充分的 L1 正则化往往会使信息缺乏的特征的权重正好为 0.0。与 L2 正则化不同，无论权重与 0.0 的差距有多大，L1 正则化都会让 L1 正则化同样难以接近 0.0。
L1 正则化会使大多数信息缺乏的权重正好为 0.0。
lambda 充分的 L1 正则化往往会使信息缺乏的权重正好为 0.0。这样，这些信息缺乏的特征就会离开模型。
L1 正则化可能会导致信息丰富的特征的权重正好为 0.0。
请注意，L1 正则化可能会导致以下类型的特征的权重正好为 0：
信息不足的功能。
不同规模的信息丰富的特征。
与其他类似的信息丰富的特征密切相关的信息丰富特征。
L1 与 L2 正则化
了解以下选项。
假设某个线性模型具有 100 个输入特征，这些特征的值均介于 -1 到 1 之间：
其中 10 个特征信息丰富。
其中 90 个特征信息缺乏。
哪种类型的正则化会产生较小的模型？
L2 正则化。
L2 正则化很少减少特征的数量。换句话说，L2 正则化很少会减小模型的大小。
L1 正则化。
L1 正则化往往会减少特征的数量。也就是说，L1 正则化通常会减小模型的大小。