机器学习_Lasso回归_ElasticNet回归_PolynomialFeatures算法介绍_02---人工智能工作笔记0037

Lasso回归用的是L1正则化可以看到,这里的alpha就是这里的alpha对吧,就是

L1的权重

然后对于ElasticNet回归来说,这里的alpha可以看到是L1权重的超参数对吧,然后这里的p,表示的是

L2正则里面的(1-p)这里

这里要提一下:

L1和L2为什么能防止过拟合，它们有什么区别?通过添加正则项，可以使模型的部分参数值都较小甚至趋于0，
对应的特征对模型的影响就比较小，相当于对无关特征做了一个惩罚，
即使它们的值波动比较大，受限于参数值很小，也不会对模型的输出结果造成太大影响。
简而言之，正则化是将模型参数加入到损失函数中，能避免权值