L1 正则化
查看以下选项。
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。
另外 90 个特征信息比较缺乏。
假设所有特征的值均介于 -1 和 1 之间。以下哪些陈述属实？
L1 正则化会使很多信息缺乏的权重接近于（但并非正好是）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，无论权重距 0.0 有多远，L1 正则化都很难使权重降低但不为 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便会远离模型。
L1 正则化可能会使信息丰富的特征的权重正好为 0.0。
请注意，L1 正则化可能会使以下类型的特征的权重正好为 0：信息缺乏的特征。
不同程度的信息丰富的特征。
与其他类似的信息丰富特征密切相关的信息丰富特征。
L1 和 L2 正则化
查看以下选项。
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。
另外 90 个特征信息比较缺乏。
哪种类型的正则化会产生较小的模型？
L2 正则化。
L2 正则化很少会减少特征的数量。
也就是说，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 正则化常常会减小模型的大小。