L1 和 L2 正则的区别是什么？分别更适合什么场景？

What’s the difference between L1 and L2 regularization and when to use each?

题目类型: 技术面试题

这是一道技术面试题，常见于澳洲IT公司面试中。

难度: easy

分类: Machine Learning

标签: L1, L2, elastic net, weight decay

参考答案摘要

答案 L1 是对权重绝对值求和（稀疏倾向），L2 是对权重平方求和（平滑收缩）。 L1 ：会把一部分权重压到 0，具有特征选择效果，适合高维稀疏特征（如 one-hot/文本）或希望模型可解释。 L2 ：倾向于让权重变小但不为 0，训练更稳定，适合大多数连续特征与深度模型（也对应 weight decay 的常见形式）。 实际工程里也常用 Elastic Net（L1+L2）折中稀疏与稳定性。

本题提供 STAR 原则详细解答和技术解析，登录匠人学院学习中心即可查看完整答案。