4779.L1正则化比L2正则化更容易导致模型的权重稀疏化。()

该题正确答案为 A：正确。 解析如下： L1正则化和L2正则化是机器学习中常用的两种正则化方法，用于防止模型过拟合。它们通过在损失函数中添加不同的惩罚项来限制模型权重的大小。 L1正则化是在损失函数中加入权重绝对值之和，即： \[ \text{Loss}_{L1} = \text{Original Loss} + \lambda \sum_{i} |w_i| \] L2正则化是在损失函数中加入权重平方和，即： \[ \text{Loss}_{L2} = \text{Original Loss} + \lambda \sum_{i} w_i^2 \] 核心知识点对比： 1. 权重稀疏性（Sparsity）： - L1正则化倾向于产生稀疏解，即许多权重被精确压缩为0。这是因为L1的惩罚项对所有非零权重施加相同的线性惩罚，优化过程中更“鼓励”将较小的权重直接置为0，从而实现特征选择。 - L2正则化对权重的惩罚与其数值大小成正比，因此它会缩小权重但通常不会使其精确为0，导致权重分布较为平滑，不具备稀疏性。 2. 几何解释： - 在优化过程中，L1正则化的约束空间是一个菱形（在二维情况下），其尖角容易与损失函数等高线相交于坐标轴上，导致某些权重为0。 - L2正则化的约束空间是一个圆形（在二维情况下），与等高线相切的位置通常不在坐标轴上，因此权重很少为0。 因此，L1正则化比L2正则化更容易导致模型权重稀疏化，这一说法是正确的。 结论：本题选 A 正确。