Ի՞նչ է L1 և L2 ռեգուլյարիզացիաների տարբերությունը։

L1 և L2 կարգավորումները մեթոդներ են մեքենայական ուսուցման մոդելներում գերազանցության կանխարգելման համար, որոնք ավելացնում են պատժամիջոց կորուստային ֆունկցիային:

• L1 կարգավորումը (Lasso) ավելացնում է կորուստային ֆունկցիային մոդելի կոэффициենտների մաքուր արժեքների գումարը:

  [ \lambda \sum |w_i| ]

  Սա հանգեցնում է հազվագյուտ մոդելների՝ շատ կոэффициենտներ մոտենում են զրոյին, ինչը օգնում է հատկությունների ընտրությանը:

• L2 կարգավորումը (Ridge) ավելացնում է կոэффициենտների քառակուսիների գումարը:

  [ \lambda \sum w_i^2 ]

  Դա դարձնում է կոэффициենտները փոքր, բայց հազվագյուտ չի դարձնում նրանց ամբողջությամբ զրոյ, ինչը բարելավում է մոդելի կայունությունը:

Հիմնական տարբերությունները:

• L1-ը խթանում է հազվագյուտությունը և հատկությունների ընտրությունը:
• L2-ը նվազեցնում է կոэффициենտների չափը, դարձնելով մոդելը ավելի կայուն:

Python-ում sklearn օգտագործելով օրինակ՝

from sklearn.linear_model import LogisticRegression

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

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

Նրանցից ընտրությունը կախված է առաջադրանքից՝ եթե կարևոր է հատկությունների ընտրությունը — L1, եթե անհրաժեշտ է կայունություն և հարթեցում — L2։