h**********y
发帖数: 1293 | |
d******e
发帖数: 7844 | 2 没有任何上下文的话，这两个norm没有优缺点可言。
【在 h**********y 的大作中提到】
: 相比Ｌ２ｎｏｒｍ，Ｌ１有什么优缺点阿？
|
h**********y
发帖数: 1293 | 3 这是个面试题。我能想到的只有Ｌ２化成线性方程组解起来方便
【在 d******e 的大作中提到】
: 没有任何上下文的话，这两个norm没有优缺点可言。
|
h***i
发帖数: 3844 | 4 L1没有L2那么普及，面试的人有点搞
【在 h**********y 的大作中提到】
: 这是个面试题。我能想到的只有Ｌ２化成线性方程组解起来方便
|
M*****d
发帖数: 100 | 5 什么公司？
signal processing related？
or finance? |
A*******r
发帖数: 768 | |
B****n
发帖数: 11290 | 7 In regression analysis, L1 estimator is a robust counterpart of L2 estimator
(least squares estimator), which means it is not sensitive to extreme
values.
【在 h**********y 的大作中提到】
: 相比Ｌ２ｎｏｒｍ，Ｌ１有什么优缺点阿？
|
h**********y
发帖数: 1293 | 8 恩。这个有道理，谢谢！
estimator
【在 B****n 的大作中提到】
: In regression analysis, L1 estimator is a robust counterpart of L2 estimator
: (least squares estimator), which means it is not sensitive to extreme
: values.
|
|
q********e
发帖数: 1255 | 9 L2 norm makes you a Hilbert space
people like Hilbert space for good reason, hahahahaha |
g***o
发帖数: 230 | 10 In signal processing, machine learning, etc, L1 norm is known to promote
sparseness, which is often preferred in practice. A lot theoretical work has
been done in that direction.
【在 h**********y 的大作中提到】
: 相比Ｌ２ｎｏｒｍ，Ｌ１有什么优缺点阿？
|
|
|
A*******r
发帖数: 768 | 11 人家问的是L1有什么缺点，哈哈
has
【在 g***o 的大作中提到】
: In signal processing, machine learning, etc, L1 norm is known to promote
: sparseness, which is often preferred in practice. A lot theoretical work has
: been done in that direction.
|
g***o
发帖数: 230 | 12 In signal processing, machine learning, etc, L1 norm is known to promote
sparseness, which is often preferred in practice. A lot theoretical work has
been done in that direction.
【在 h**********y 的大作中提到】
: 相比Ｌ２ｎｏｒｍ，Ｌ１有什么优缺点阿？
|
g****t
发帖数: 31659 | 13 L1 优化不能recursive求解,不能实时应用.
【在 A*******r 的大作中提到】
: 人家问的是L1有什么缺点，哈哈
:
: has
|
c****n
发帖数: 2031 | 14 粗略的说
L2刻画的函数：bumpy and broad
L1刻画的函数：peaky and concentrated
L2函数的数值的分布是Gaussian（意思是非零数值dense）
L1函数的数值的分布是Laplacian（非零数值sparse）
所以无所谓优缺点。但目前流行的观点是L1比L2好，是因为从哲学角度讲，
information
总是在某种合适的变换下是sparse的，所以用L1 model比较合适
【在 h**********y 的大作中提到】
: 相比Ｌ２ｎｏｒｍ，Ｌ１有什么优缺点阿？
|
h***i
发帖数: 3844 | 15 是因为从哲学角度讲，
information
总是在某种合适的变换下是sparse的，所以用L1 model比较合适
这句怎么讲
【在 c****n 的大作中提到】
: 粗略的说
: L2刻画的函数：bumpy and broad
: L1刻画的函数：peaky and concentrated
: L2函数的数值的分布是Gaussian（意思是非零数值dense）
: L1函数的数值的分布是Laplacian（非零数值sparse）
: 所以无所谓优缺点。但目前流行的观点是L1比L2好，是因为从哲学角度讲，
: information
: 总是在某种合适的变换下是sparse的，所以用L1 model比较合适
|
c****n
发帖数: 2031 | 16 如果函数是ｐｉｅｃｅｗｉｓｅ ｃｏｎｓｔａｎｔ，那他们在ｇｒａｄｉｅｎｔ下是
ｓｐａｒｓｅ的，Rudin-Osher-Fatemi模型是个例子，当然和Ｈａａｒ ｗａｖｅｌｅ
ｔ很相似。
In general，你总是可以找到一些ｂａｓｉｓ（可以是通过ｌｅａｒｎｉｎｇ），使得
你手里的一类函数（比较小的一类函数，比如自然图像）在该ｂａｓｉｓ的表示是ｓｐ
ａｒｓｅ的。
不过这只是ｐｈｉｌｏｓｏｐｈｙ，可信可不信，呵呵。当然我是相信的
【在 h***i 的大作中提到】
: 是因为从哲学角度讲，
: information
: 总是在某种合适的变换下是sparse的，所以用L1 model比较合适
: 这句怎么讲
|
g****t
发帖数: 31659 | 17 也总能找出基是dense的.
所以L0在这点上并没优势.
如果函数是ｐｉｅｃｅｗｉｓｅ ｃｏｎｓｔａｎｔ，那他们在ｇｒａｄｉｅｎｔ下是
ｓｐａｒｓｅ的，Rudin-Osher-Fatemi模型是个例子，当然和Ｈａａｒ ｗａｖｅｌｅ
ｔ很相似。
In general，你总是可以找到一些ｂａｓｉｓ（可以是通过ｌｅａｒｎｉｎｇ），使得
你手里的一类函数（比较小的一类函数，比如自然图像）在该ｂａｓｉｓ的表示是ｓｐ
ａｒｓｅ的。
不过这只是ｐｈｉｌｏｓｏｐｈｙ，可信可不信，呵呵。当然我是相信的
【在 c****n 的大作中提到】
: 如果函数是ｐｉｅｃｅｗｉｓｅ ｃｏｎｓｔａｎｔ，那他们在ｇｒａｄｉｅｎｔ下是
: ｓｐａｒｓｅ的，Rudin-Osher-Fatemi模型是个例子，当然和Ｈａａｒ ｗａｖｅｌｅ
: ｔ很相似。
: In general，你总是可以找到一些ｂａｓｉｓ（可以是通过ｌｅａｒｎｉｎｇ），使得
: 你手里的一类函数（比较小的一类函数，比如自然图像）在该ｂａｓｉｓ的表示是ｓｐ
: ａｒｓｅ的。
: 不过这只是ｐｈｉｌｏｓｏｐｈｙ，可信可不信，呵呵。当然我是相信的
|
l******r
发帖数: 18699 | 18 L1的缺点就是不容易理论推导，人家说的很好
人家问的是L1有什么缺点，哈哈
has
【在 A*******r 的大作中提到】
: 人家问的是L1有什么缺点，哈哈
:
: has
|
