1.参数衰减和稀疏性

参数衰减，带来的好处是：通常来讲数据都具有一定波动性，减弱每个参数，防止某些参数过大，可以减弱数据varience带来的影响，防止过拟合，提高泛化能力。

稀疏性，带来好处是：1)大幅减少计算；2)减少参数，防止过拟合，提高泛化能力

2.l1和l2两种正则化

1l可以带来参数衰减和稀疏性，l2只能带来参数衰减

下图解释：l1可以通过尖峰使得最小值在w＝0处，而l2只能是最小值靠近w＝0处。

代码：

#encoding=utf-8 ''' 训练集 x y 1 1 1 1 1 1 1 1 1 0 1 0 0 0 0 0 0 0 0 1 ''' import numpy as np
import matplotlib.pyplot as plt
 
#参数权值范围 w = np.arange(-4,4,0.01)
 
#log lost l = 4*np.log(map(lambda x:1/(1+np.exp(-x)),w)) \
    + 2*np.log(map(lambda x:1-1/(1+np.exp(-x)),w)) \
    + 4*np.log(0.5)
#regularization l1 r1 = np.abs(w)
#cost func with l1 L1 = (-l + 1*r1)/10
#regularization l1 r2 = np.square(w)
#cost func with l2 L2 = (-l + 1*r2)/10
#show diff of l1 and l2 plt.plot(w,-l/10)
plt.plot(w,1*r1/10)
plt.plot(w,L1)
 
plt.subplot(121)
plt.plot(w,-l/10,label='log lost')
plt.plot(w,1*r1/10,label='l1 regularization')
plt.plot(w,L1,label='log lost + l1')
plt.grid()
plt.xlabel('w')
plt.ylabel('cost')
plt.legend()
plt.subplot(122)
plt.plot(w,1*r2/10,L2,label='log lost + l2')
plt.grid()
plt.xlabel('w')
plt.ylabel('cost')
plt.legend()
plt.show()