![](https://csdnimg.cn/release/download_crawler_static/85878813/bg7.jpg)
L1 求解
最小角回归算法:LARS 算法
11、越小的参数说明模型越简单
过拟合的,拟合会经过曲面的每个点,也就是说在较小的区间里面可能会有较大的
曲率,这里的导数就是很大,线性模型里面的权值就是导数,所以越小的参数说明
模型越简单。
12、为什么一些机器学习模型需要对数据进行归一化
归一化化就是要把你需要处理的数据经过处理后(通过某种算法)限制在你需要的
一定范围内。
1)归一化后加快了梯度下降求最优解的速度。等高线变得显得圆滑,在梯度下降
进行求解时能较快的收敛。如果不做归一化,梯度下降过程容易走之字,很难收敛
甚至不能收敛
2)把有量纲表达式变为无量纲表达式, 有可能提高精度。一些分类器需要计算样
本之间的距离(如欧氏距离),例如 KNN。如果一个特征值域范围非常大,那么距
离计算就主要取决于这个特征,从而与实际情况相悖(比如这时实际情况是值域范
围小的特征更重要)
3) 逻辑回归等模型先验假设数据服从正态分布。
哪些机器学习算法不需要做归一化处理