l0 l1 l2正則化項的區(qū)別和特點？L1正則化假設參數的先驗分布為拉普拉斯分布，可以保證模型的稀疏性，即某些參數等于0；L2正則化假設參數的先驗分布為高斯分布，可以保證模型的穩(wěn)定性，即，參數值不會太

l0 l1 l2正則化項的區(qū)別和特點？

L1正則化假設參數的先驗分布為拉普拉斯分布，可以保證模型的稀疏性，即某些參數等于0；L2正則化假設參數的先驗分布為高斯分布，可以保證模型的穩(wěn)定性，即，參數值不會太大或太小。在實際應用中，如果特征是高維稀疏的，則使用L1正則化；例如。

ml/min什么意思？

式中：instance是葉節(jié)點，weight（Hessian）是無正則項損失函數的二階導數，即：

那么instance weight之和（Hessian）就對應于此：

直觀的理解，一般來說，我們定義的無正則項損失函數是：

，那么hi=1，HJ是葉節(jié)點上的樣本數，minchildWeight是葉節(jié)點上的最小樣本數