व्यावहारिक दृष्टिकोण से, L1 गुणांक को शून्य पर सिकोड़ता है जबकि L2 गुणांक को समान रूप से सिकोड़ता है। इसलिए L1 सुविधा चयन के लिए उपयोगी है, क्योंकि हम गुणांक से जुड़े किसी भी चर को छोड़ सकते हैं जो शून्य पर जाते हैं। दूसरी ओर, L2, तब उपयोगी होता है जब आपके पास संरेख/सहनिर्भर विशेषताएं हों।
नियमन का क्या उपयोग है L1 और L2 नियमितीकरण क्या हैं?
L1 नियमितीकरण मॉडल की विशेषताओं के लिए 0 से 1 तक बाइनरी वेट में आउटपुट देता है और एक विशाल आयामी डेटासेट में सुविधाओं की संख्या को कम करने के लिए अपनाया जाता है। L2 नियमितीकरण सभी भारों में त्रुटि शर्तों को फैलाता है जो अधिक सटीक अनुकूलित अंतिम मॉडल की ओर ले जाता है।
L1 और L2 नियमितीकरण में क्या अंतर हैं?
L1 और L2 नियमितीकरण के बीच मुख्य सहज अंतर यह है कि L1 नियमितीकरण डेटा के माध्यिका का अनुमान लगाने की कोशिश करता है जबकि L2 नियमितीकरण ओवरफिटिंग से बचने के लिए डेटा के माध्य का अनुमान लगाने की कोशिश करता है. … वह मान गणितीय रूप से डेटा वितरण का माध्यिका भी होगा।
डीप लर्निंग में L1 और L2 नियमितीकरण क्या है?
L2 नियमितीकरण को वजन क्षय के रूप में भी जाना जाता है क्योंकि यह वजन को शून्य (लेकिन बिल्कुल शून्य नहीं) की ओर क्षय करने के लिए मजबूर करता है। L1 में, हमारे पास है: इसमें, हम वज़न के निरपेक्ष मान को दंडित करते हैं। L2 के विपरीत, यहाँ वज़न को शून्य तक घटाया जा सकता है। इसलिए, जब हम संपीड़ित करने का प्रयास कर रहे हों तो यह बहुत उपयोगी होता हैहमारा मॉडल।
L1 और L2 नियमितीकरण कैसे काम करता है?
एक प्रतिगमन मॉडल जो L1 नियमितीकरण तकनीक का उपयोग करता है उसे Lasso Regression कहा जाता है और L2 का उपयोग करने वाले मॉडल को Ridge Regression कहा जाता है। इन दोनों के बीच मुख्य अंतर पेनल्टी टर्म है। रिज रिग्रेशन, गुणांक के "वर्ग परिमाण" को हानि फ़ंक्शन में दंड अवधि के रूप में जोड़ता है।
