ridge回归的L2正则化相较于lasso的L1正则化有什么好处？

L2正则化和L1正则化都是为了防止模型的过拟合，但是它们的实现方式不同。L2正则化（Ridge回归）通过在损失函数中添加L2范数的平方来惩罚模型的复杂度，而L1正则化（Lasso回归）则是通过在损失函数中添加L1范数来惩罚模型的复杂度。相比于L1正则化，L2正则化有以下好处：
1. L2正则化对异常值不敏感，而L1正则化对异常值非常敏感。这是因为L2正则化是平方项，而L1正则化是绝对值，所以L1正则化会将某些系数压缩到0，从而使得模型更加稀疏，而L2正则化则不会。
2. L2正则化可以解决特征之间相关的问题，而L1正则化不能。这是因为L2正则化是平方项，可以将权重分散到所有特征上，而L1正则化是绝对值，只能将权重分散到部分特征上。

下面是一个使用Ridge回归的L2正则化的例子：

from sklearn.linear_model import Ridge
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# 加载数据集
boston = load_boston()
X, y = boston.data, boston.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
ridge = Ridge(alpha=1.0)
ridge.fit(X_train, y_train)

# 预测并计算均方误差
y_pred = ridge.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print("Mean squared error: ", mse)