Навіщо використовувати регуляризацію L1 над L2?

Проведення лінійної регресійної моделі за допомогою функції втрат, чому я повинен використовувати $L_1$ замість $L_2$ регуляризація?

Чи краще у запобіганні надмірного пристосування? Це детерміновано (тому завжди унікальне рішення)? Чи краще при виборі функцій (тому що виробляються рідкісні моделі)? Чи розподіляє ваги серед особливостей?

В основному, ми додаємо термін регуляризації для того, щоб запобігти наближенню коефіцієнтів до перевищення.

Різниця між L1 і L2 - L1 - це сума ваг, а L2 - лише сума квадрата ваг.

L1 не може використовуватися в градієнтних підходах, оскільки він не відрізняється на відміну від L2

L1 допомагає виконувати вибір функцій у розріджених просторах функцій. Вибір функції полягає в тому, щоб знати, які функції корисні, а які - зайві.

Різниця між їх властивостями може бути зведена як:

L2 має одну дуже важливу перевагу для L1, а саме - інваріантність обертання та масштабу.

Це особливо важливо в географічному / фізичному застосуванні.

Скажіть, ваш технік випадково встановив ваш датчик в ангелі 45 градусів, L1 буде постраждалим, тоді як L2 (евклідова відстань) залишиться колишнім.