L1正则化有什么优缺点？

L1正则化是一种常用的特征选择方法，它通过在损失函数中加入参数向量的L1范数作为正则化项来实现。L1正则化具有以下优缺点：

优点：
1. L1正则化能够有效地缩小不重要的特征的权重，从而降低模型的复杂度，避免过拟合。
2. L1正则化可以进行特征选择，即自动选择对结果最有贡献的特征，从而提高模型的预测能力。
3. L1正则化对于稀疏性数据的处理效果更好，能够更好地处理大规模高维数据。

缺点：
1. L1正则化可能会使得损失函数不可导，从而难以使用传统的梯度下降等优化算法进行求解。
2. L1正则化的计算复杂度较高，需要使用特定的算法进行求解。
3. L1正则化对于同一特征中的不同取值，会赋予相同的权重，从而可能忽略了特征内部的信息。