L2 正则化得到的解更加稀疏。（）

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.L1,L2正则项不能作用在损失函数之上

B.L2正则化比L1正则化产生更加稀疏的模型

C.加上L2正则项后,无法使用梯度下降算法迭代参数值

D.L1正则项有利于增强模型的泛化能力

A.使用L2可以得到稀疏的权值

B.使用L1可以得到平滑的权值

C.使用L1可以得到稀疏的权值

D.使用L2可以得到平滑的权值

机器学习中L1正则化和L2正则化的区别是？

A.使用L1可以得到稀疏的权值

B.使用L1可以得到平滑的权值

C.使用L2可以得到稀疏的权值

A.使用L1可以得到稀疏的权值，使用L2可以得到稀疏的权值

B.使用L1可以得到稀疏的权值，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可以得到平滑的权值

D.使用L1可以得到平滑的权值，使用L2可以得到稀疏的权值

A.L1正则化的功能是使权重稀疏

B.L2正则化的功能是防止过拟合

C.L1正则化比L2正则化使用更广泛

D.L1正则化无法有效减低数据存储量

A.L1正则化的功能是使权重稀疏

B.L2正则化的功能是防止过拟合

C.L1正则化比L2正则化使用更广泛

D.L1正则化无法有效减低数据存储量

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