在线性代数,函数分析等数学分支中,范数(Norm)是一个函数,是赋予某个向量空间(或矩阵)中的每个向量以长度或大小的函数。对于零向量,令其长度为零。直观的说,向量或矩阵的范数越大,则我们可以说这个向量或矩阵也就越大。有时范数有很多更为常见的叫法,如绝对值其实便是一维向量空间中实数或复数的范数,而Euclidean距离也是一种范数。
范数的一般化定义:设p≥1的实数,p-norm定义为:

L1 范数:

在线性代数,函数分析等数学分支中,范数(Norm)是一个函数,是赋予某个向量空间(或矩阵)中的每个向量以长度或大小的函数。对于零向量,令其长度为零。直观的说,向量或矩阵的范数越大,则我们可以说这个向量或矩阵也就越大。有时范数有很多更为常见的叫法,如绝对值其实便是一维向量空间中实数或复数的范数,而Euclidean距离也是一种范数。
范数的一般化定义:设p≥1的实数,p-norm定义为:
L1 范数:
下一篇:criterions的选择
L1和L2正则化L1和L2正则化L1和L2正则化
可见,使用 MSE 损失函数,受离群点的影响较大,虽然样本中
都在说加正则化项能防止过拟合,可是为什么它可以防止过拟合呢呢 说这个东西之前我们先讲一下什么是 L2 范数,以及什么是过拟合L2范数 &nb
举报文章
请选择举报类型
补充说明
0/200
上传截图
格式支持JPEG/PNG/JPG,图片不超过1.9M