L1 жана L2 сыяктуу регуляризациялоо ыкмалары чоң коэффициенттерди жазалоо менен машина үйрөнүү моделдеринде ашыкча жабдылышын алдын алуу үчүн колдонулат.
L1 регуляризациясы, ошондой эле Lasso регуляризациясы катары белгилүү, өзгөчөлүктөрдүн коэффициенттеринин абсолюттук маанисине пропорционалдуу жаза мөөнөтүн кошот. Ал кээ бир коэффициенттерди так нөлгө айдап, анча маанилүү эмес функцияларды жок кылуу менен өзгөчөлүктү тандоону эффективдүү аткаруу менен сейректикти кубаттайт. Бул өзгөчөлүктөрдү тандоо мүмкүнчүлүгү L1 регуляризациясын өзгөчө көп функциялуу маалымат топтомдору менен иштөөдө пайдалуу кылат, анткени ал эң керектүү функцияларга басым жасоо менен моделдерди жөнөкөйлөтүүгө жардам берет. Натыйжада моделдин жөнөкөйлөштүрүлүшү ашыкча тууралоону азайтат.
Башка жагынан алганда, L2 регуляризациясы, ошондой эле Ridge регуляризациясы катары белгилүү, өзгөчөлүктөрдүн коэффициенттеринин квадратына пропорционалдуу жаза мөөнөтүн кошот. Бул коэффициенттерди так нөлгө айлантууга мажбурлабайт, тескерисинче, аларды нөлгө чейин кичирейтет жана бардык функцияларды кандайдыр бир деңгээлде моделге көмөктөшөт. L2 регуляризациясы мультиколлинеардуулукту башкарууда натыйжалуу жана жалпысынан L1 регуляризациясына салыштырмалуу туруктуураак, бирок азыраак сейрек моделдерге алып келет.
L1 регуляризациясы пайдалуураак болгон сценарийлерге төмөнкүлөр кирет:
-
Көптөгөн өзгөчөлүктөргө ээ жогорку өлчөмдүү берилиштер топтомдору: Функциялар мейкиндиги чоң болгон маалымат топтомдору менен иштөөдө, L1 регуляризациясы функцияларды автоматтык түрдө тандоого жардам берет, моделдин чечмеленишин жана иштешин жакшыртат.
-
Функциялардын сейректиги күтүлгөндө: Бир нече функциялар чындап эле таасирдүү болот деп болжолдонгон домендерде, L1 регуляризациясы ошол өзгөчөлүктөрдү натыйжалуу аныктап, аларга көңүл бура алат.
Бирок, L1 регуляризациясы төмөнкү сценарийлерде азыраак натыйжалуу болушу мүмкүн:
-
Бардык өзгөчөлүктөр маанилүү деп эсептелинет: Эгерде көпчүлүк функциялар тиешелүү жана маалыматтын жоголушуна алып келиши мүмкүн деген ишеним бар болсо, L1 эң жакшы тандоо болбой калышы мүмкүн, анткени ал коэффициенттерди нөлгө коюуга умтулат.
-
Маалыматтар топтомунда мультиколлинеардык маселелер бар: L2 регуляризациясы L1 регуляризациясына салыштырмалуу мультиколлинеардык көйгөйлөрдү чечүүгө ылайыктуу.
Практикада Эластикалык таза регуляризация деп аталган L1 жана L2 регуляризациясынын айкалышы, L1дин сейректигинен жана L2нин туруктуулугунан пайдаланып, эки техникадан тең пайда алуу үчүн колдонулушу мүмкүн.
