4000.线性回归的损失函数中加入L1正则项,此时该回归叫做Lasso回归

题目解析： 题干：线性回归的损失函数中加入L1正则项，此时该回归叫做Lasso回归。 选项： A：正确 B：错误 正确答案：A 解析： 线性回归模型在训练过程中，为了防止过拟合，常引入正则化项对模型参数进行约束。根据所加入正则项的不同，可分为L1正则化和L2正则化。 - 当在线性回归的损失函数中加入L1正则项（即参数绝对值之和）时，对应的回归方法称为Lasso回归（Least Absolute Shrinkage and Selection Operator）。其损失函数形式为： \[ \text{Loss} = \text{MSE} + \lambda \sum_{i=1}^{n} |\theta_i| \] 其中，MSE为均方误差，\(\lambda\) 是正则化强度参数，\(\sum |\theta_i|\) 为L1范数。 - L1正则化的一个重要特性是能够产生稀疏解，即自动将不重要的特征对应的系数压缩为0，从而实现特征选择。 相对地，加入L2正则项（参数平方和）的线性回归称为岭回归（Ridge Regression）。 因此，题干所述“线性回归的损失函数中加入L1正则项，此时该回归叫做Lasso回归”是正确的。 核心知识点： 1. 正则化的作用：控制模型复杂度，防止过拟合。 2. L1正则化：惩罚参数的绝对值之和，具有特征选择能力。 3. Lasso回归：线性回归 + L1正则项。 4. L2正则化与岭回归：线性回归 + L2正则项，不具备稀疏性但能稳定解。 综上，本题答案为A，正确。