L1 və L2 tənzimləməsi arasındakı fərq nədir?

L1 və L2 tənzimləmələri maşın öyrənmə modellərində aşırı öyrənmənin qarşısını alma üsullarıdır və itki funksiyasına cəzalandırma əlavə etməklə həyata keçirilir.

• L1 tənzimləməsi (Lasso) modelin koeffisiyentlərinin müsbət qiymətlərinin cəmını itki funksiyasına əlavə edir:

  [ \lambda \sum |w_i| ]

  Bu, modelin seyrek olmasına gətirib çıxarır — çox koeffisiyentlər sıfıra yaxınlaşır, bu da xüsusiyyət seçməyə kömək edir.

• L2 tənzimləməsi (Ridge) koeffisiyentlərin kvadratlarının cəmını əlavə edir:

  [ \lambda \sum w_i^2 ]

  Bu, koeffisiyentləri kiçik edir, lakin onları tamamilə sıfıra endirməz, bu da modelin stabilliyini artırır.

Əsas fərqlər:

• L1 xüsusiyyət seçimi və seyrekliyi təşviq edir.
• L2 koeffisiyentlərin böyüklüyünü azaldır və modeli daha stabilləşdirir.

Python-da sklearn istifadə edərək nümunə:

from sklearn.linear_model import LogisticRegression

# L1 tənzimləmə
model_l1 = LogisticRegression(penalty='l1', solver='liblinear')

# L2 tənzimləmə
model_l2 = LogisticRegression(penalty='l2')

Hansı metodun seçilməsi vəzifədən asılıdır: əgər xüsusiyyət seçimi vacibdirsə — L1, əgər stabillik və yumşaltma lazımdırsa — L2.