L1 ve L2 düzenlemesi arasındaki fark nedir?

L1 ve L2 düzenlemeleri, makine öğrenimi modellerinde aşırı uyumu önlemek için kayıp fonksiyonuna ceza ekleyen yöntemlerdir.

• L1 düzenlemesi (Lasso), model katsayılarının mutlak değerlerinin toplamını kayıp fonksiyonuna ekler:

  [ \lambda \sum |w_i| ]

  Bu, modellerin seyrek olmasına yol açar: birçok katsayı sıfıra yaklaşır, bu da özellik seçiminde yardımcı olur.

• L2 düzenlemesi (Ridge), katsayıların karelerinin toplamını ekler:

  [ \lambda \sum w_i^2 ]

  Bu, katsayıların küçük olmasını sağlar, ancak nadiren tamamen sıfıra ayarlar, bu da modelin istikrarını artırır.

Ana farklar:

• L1, seyrekliği ve özellik seçimlerini teşvik eder.
• L2, katsayıların büyüklüğünü azaltır, modeli daha stabil hale getirir.

Python'da sklearn kullanarak örnek:

from sklearn.linear_model import LogisticRegression

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

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

Hangi yöntemin seçileceği, göreve bağlıdır: özellik seçimi önemliyse — L1, stabilite ve yumuşatma gerekiyorsa — L2.