L1跟L2的区别？
一，二者区别 1,相同点：都用于避免过拟合
2,不同点： L1使权重稀疏，L2使权重平滑
L1优点是能够获得稀疏模型，可以让一部分特征的系数缩小到0，从而间接实现特征选择，对于large-scale的问题来说这一点很重要，因为可以减少存储空间
L2优点是实现简单，L2让所有特征的系数都缩小，但是不会减为0，缺点就是无法获得sparse模型
对于新数据的调整，L1变动很大，L2整体变动不大。
股票l1和l2的区别
12数据的主要特点是能看到资金流向和十档买卖盘，比11数据更加清晰和全面。12数据的主要特点是能看到资金流向和十档买卖盘，比11数据更加清晰和全面。
股票是股份公司发行的所有权凭证，是股份公司为筹集资金而发行给各个股东作为持股凭证并借以取得股息和红利的一种有价证券。每股股票都代表股东对企业拥有一个基本单位的所有权。每支股票的背后都会有一家上市公司。同时，每家上市公司都会发行股票。
同一类别的每一份股票所代表的公司所有权是相等的。每个股东所拥有的公司所有权份额的大小，取决于其持有的股票数量占公司总股本的比重。
l1和l2正则化的区别
l1和l2正则化的区别是：
1、L1是模型各个参数的绝对值之和。L2是模型各个参数的平方和的开方值。
2、L1会趋向于产生少量的特征，而其他的特征都是0，因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0，产生稀疏权重矩阵。L2会选择更多的特征，这些特征都会接近于0。
3、最优的参数值很小概率出现在坐标轴上，因此每一维的参数都不会是0。当最小化||w||时，就会使每一项趋近于0。
