题目你正在使用带有L1正则化的logistic回归做二分类,其中C是正则化参数,w1和w2是x1和x2的系数。当你把C值从0增加至非常大的值时,下面哪个选项是正确的()
A.第一个w2成了0,接着w1也成了0
B.第一个w1成了0,接着w2也成了0
C.w1和w2同时成了0
D.即使在C成为大值之后,w1和w2都不能成0
E.解析
C、w1和w2同时成了0
A.第一个w2成了0,接着w1也成了0
B.第一个w1成了0,接着w2也成了0
C.w1和w2同时成了0
D.即使在C成为大值之后,w1和w2都不能成0
E.解析
C、w1和w2同时成了0
A.使用L1可以得到稀疏的权值,使用L2可以得到平滑的权值
B.使用L1可以得到平滑的权值,使用L2可以得到平滑的权值
C.使用L1可以得到平滑的权值,使用L2可以得到稀疏的权值
D.使用L1可以得到稀疏的权值,使用L2可以得到稀疏的权值
A.L1范数正则化有助于降低过拟合风险
B.L2范数正则化有助于降低过拟合风险
C.L1范数正则化比L2范数正则化更有易于获得稀疏解
D.L2范数正则化比L1范数正则化更有易于获得稀疏解
A.L1正则化可以用于特征选择
B.L1正则化和L2正则化可以减少过拟合
C.Lp正则化不能减少过拟合
D.L1正则化和L2正则化可以看成是损失函数的惩罚项
A.L2正则化能防止过拟合,提升模型的泛化能力,但L1做不到这点
B.L2正则化技术又称为LassoRegularization
C.L1正则化得到的解更加稀疏
D.L2正则化得到的解更加稀疏
A.L2范数可以防止过拟合,提升模型的泛化能力。但L1正则做不到这一点
B.L2正则化标识各个参数的平方的和的开方值
C.L2正则化有个名称叫“Lassoregularization”
D.L1范数会使权值稀疏
A.L2范数可以防止过拟合,提升模型的泛化能力。但L1正则做不到这一点
B.L2正则化标识各个参数的平方的和
C.L2正则化又叫做Lassoregularization
D.L1范数会使权值稀疏
A.L1范数和L2范数都有助于降低过拟合的风险
B.基于L1正则化的学习方法是一种典型的嵌入式特征选择方法
C.L1范数正则化更容易得到“稀疏”解
D.L2范数正则化更容易得到“稀疏”解