概念、应用与重要性
在机器学习和深度学习领域，范数（Norm） 是衡量向量或矩阵“长度”或“大小”的数学函数，它在模型优化、正则化以及距离度量中扮演着至关重要的角色，理解不同范数的特性，对于构建高效、鲁棒的机器学习模型至关重要。
常见的向量范数
在机器学习中，我们通常处理的是特征向量,以下是几种最常用的范数：
L0 范数
- 定义：向量中非零元素的个数。
- 特点：虽然被称为范数，但它并不满足范数的齐次性,因此在数学上不是严格的范数。
- 应用：在机器学习中，L0 范数常用于特征选择，希望模型尽可能稀疏，即只保留最重要的特征，但由于其不可导且优化困难，通常使用 L1 范数作为其近似。
L1 范数 (曼哈顿距离)
- 定义：向量中各个元素绝对值之和。
- 特点：具有稀疏性，即倾向于将不重要的权重压缩为 0。
- 应用：
-
Lasso 回归：通过 L1 正则化实现特征选择。
- 鲁棒性：作为损失函数（MAE，平均绝对误差）时,对异常值不敏感。
-
L2 范数 (欧几里得范数)
- 定义：向量元素平方和的平方根。
- 特点：具有平滑性，倾向于使权重分布均匀且较小,能够防止模型过拟合。
- 应用：
- Ridge 回归：通过 L2 正则化（权重衰减）防止模型参数过大。
- 损失函数：作为 MSE（均方误差）的基础,对异常值较敏感。
L-无穷范数 (L-infinity Norm)
- 定义：向量中各个元素绝对值的最大值。
- 特点：只关注向量中数值最大的那个分量。
- 应用：在某些特定的优化问题或对抗攻击（Adversarial Attacks）中,用于限制扰动的最大幅度。
范数在机器学习中的核心应用
模型正则化 (Regularization)
正则化是范数最常见的应用场景，旨在通过在损失函数中添加范数惩罚项来控制模型复杂度，从而
防止过拟合。
- L1 正则化：通过添加 $lambda ||w||_1$ 项，强制模型学习稀疏权重,实现特征自动筛选。
- L2 正则化：通过添加 $lambda ||w||_2^2$ 项，限制权重的大小，使模型更加平滑,提高泛化能力。
损失函数 (Loss Functions)
损失函数衡量的是模型预测值与真实值之间的差异,本质上也是一种距离度量。
- L1 Loss (MAE)：计算预测值与真实值之差的绝对值之和，它对离群点（Outliers）具有更强的鲁棒性。
- L2 Loss (MSE)：计算预测值与真实值之差的平方和，它对误差较大的样本惩罚更重,在优化过程中梯度更平滑。
距离度量 (Distance Metrics)
在许多算法（如 K-近邻算法 KNN、K-Means 聚类）中,需要计算样本点之间的距离。
- 范数直接定义了这些算法中的距离计算方式，使用 L2 范数计算欧氏距离，使用 L1 范数计算曼哈顿距离。
L1 与 L2 范数的对比总结
| 特性 | L1 范数 | L2 范数 |
|---|---|---|
| 数学性质 | 在零点处不可导 | 处处可导 |
| 模型影响 | 产生稀疏解（部分权重为0） | 产生平滑解（权重趋向于小值） |
| 计算复杂度 | 较复杂（通常需要次梯度下降） | 较简单（闭式解或梯度下降） |
| 异常值敏感度 | 较低（鲁棒性强） | 较高（受异常值影响大） |
在机器学习实践中,选择合适的范数取决于具体的业务需求：
- 如果你需要特征选择或模型压缩，优先考虑 L1 范数。
- 如果你需要模型稳定、防止过拟合，优先考虑 L2 范数。
- 如果数据中存在大量噪声或异常值，使用基于 L1 范数的损失函数通常效果更好。
掌握范数的数学原理与工程应用,是迈向高级机器学习工程师的必经之路。
首发原创文章，作者：王坚，如若转载，请注明出处：https://test.idctop.com/article/489701.html
