L1 və L2 kimi tənzimləmə üsulları, böyük əmsalları cəzalandırmaq yolu ilə maşın öyrənmə modellərində həddindən artıq uyğunlaşmanın qarşısını almaq üçün istifadə olunur.
Lasso nizamlanması kimi də tanınan L1 nizamlanması xüsusiyyətlərin əmsallarının mütləq dəyərinə mütənasib bir cəza müddəti əlavə edir. O, bəzi əmsalları tam sıfıra endirməklə seyrəkliyi təşviq edir, daha az vacib xüsusiyyətləri aradan qaldıraraq xüsusiyyət seçimini effektiv şəkildə həyata keçirir. Bu xüsusiyyət seçimi qabiliyyəti L1 nizamlamasını çoxlu sayda xüsusiyyətlərə malik verilənlər dəstləri ilə işləyərkən xüsusilə faydalı edir, çünki o, ən uyğun xüsusiyyətlərə diqqət yetirməklə modelləri sadələşdirməyə kömək edir. Nəticədə modelin sadələşdirilməsi həddindən artıq uyğunluğu azaldır.
Digər tərəfdən, Ridge nizamlanması kimi də tanınan L2 nizamlanması, xüsusiyyətlərin əmsallarının kvadratına mütənasib bir cəza müddəti əlavə edir. Bu, əmsalları tam olaraq sıfır olmağa məcbur etmir, əksinə onları sıfıra endirərək, bütün xüsusiyyətləri müəyyən dərəcədə modelə töhfə verir. L2 nizamlanması multikollinearlığın idarə olunmasında effektivdir və ümumiyyətlə L1 nizamlanması ilə müqayisədə daha stabil, lakin daha az seyrək modellərə gətirib çıxarır.
L1 nizamlanmasının daha faydalı ola biləcəyi ssenarilərə aşağıdakılar daxildir:
-
Bir çox funksiyaları olan yüksək ölçülü verilənlər dəstləri: Xüsusiyyət sahəsinin böyük olduğu verilənlər dəstləri ilə işləyərkən L1 nizamlanması funksiyaların avtomatik seçilməsinə, modelin şərh edilməsini və performansını yaxşılaşdırmağa kömək edir.
-
Xüsusiyyətlərin zəifliyi gözlənildikdə: Yalnız bir neçə funksiyanın həqiqətən təsirli olduğu gözlənilən domenlərdə L1 nizamlanması həmin xüsusiyyətləri səmərəli şəkildə müəyyən edə və diqqəti cəmləyə bilər.
Bununla belə, L1 nizamlanması aşağıdakı ssenarilərdə daha az effektiv ola bilər:
-
Bütün funksiyaların vacib olduğu güman edilir: Əksər funksiyaların müvafiq olduğuna və hər hansı məlumatın itirilməsinə səbəb ola biləcəyinə dair bir inam varsa, L1 əmsalları sıfıra endirməyə meylli olduğundan ən yaxşı seçim olmaya bilər.
-
Verilənlər toplusunda multikollinearlıq problemləri var: L2 nizamlanması, L1 nizamlanması ilə müqayisədə multikollinearlıq problemlərinin həlli üçün daha uyğundur.
Təcrübədə Elastik Net nizamlanması kimi tanınan L1 və L2 nizamlanmasının kombinasiyası L1-in seyrəkliyindən və L2-nin sabitliyindən istifadə edərək hər iki texnikadan faydalanmaq üçün istifadə edilə bilər.
