Lasso 迴歸（L1 正則化迴歸） vs 嶺迴歸（L2 正則化迴歸）
Lasso Regression vs Ridge Regression
Lasso 迴歸（L1 正則化迴歸） 側重 一種在線性迴歸損失函數中加入 L1 懲罰項的迴歸方法，可自動將不重要特徵係數壓縮至零，實現特徵選取。，而 嶺迴歸（L2 正則化迴歸） 側重 在線性迴歸損失函數中加入 L2 懲罰項以限制係數大小，防止過擬合的監督學習方法。。
逐項比較
| 項目 | Lasso 迴歸（L1 正則化迴歸） | 嶺迴歸（L2 正則化迴歸） |
|---|---|---|
| 一句定義 | 一種在線性迴歸損失函數中加入 L1 懲罰項的迴歸方法，可自動將不重要特徵係數壓縮至零，實現特徵選取。 | 在線性迴歸損失函數中加入 L2 懲罰項以限制係數大小，防止過擬合的監督學習方法。 |
| 常見標籤 | 正則化、特徵選取、線性模型、L1 懲罰、稀疏模型、機器學習 | 機器學習、正則化、監督學習、線性迴歸、多元共線性 |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | Lasso 迴歸與 Ridge 迴歸最主要的差異是什麼？ | 嶺迴歸中的 λ 越大越好嗎？ |