Her şey, uğraştığınız sorunun türüne bağlıdır. İlk bakışta, bir seçim modeline karar vermek yanıltıcı olabilir. Bence, önce veri kümesini ve özelliklerin birbirleriyle nasıl etkileşime girdiğini anlamalısınız ve modelleme için kullanılacak veri kümenizin iyi bir temsilini bulmalısınız. seçim.
Veri kümenizde yüksek bir boyutluluğa ve yüksek korelasyona sahip olduğunuzu varsayın, daha az önemli özellikleri daha fazla cezalandırdığından ve onları sıfırlayarak algoritmik özellik seçiminden fayda sağladığından, L1 (kement) düzenlemesini tercih etmek isteyebilirsiniz L2 (tepe) düzenlemesinden daha sağlam tahminler, ancak bazen bilgiye sahip olduklarında bile modelden belirli sinyalleri kaldırabilir, bu nedenle dikkatli kullanılmalıdır.
L2 düzenlileştirme, genel hataya daha az önemli özelliklerden daha fazla katkıda bulunan önemli özelliklere odaklanarak model karmaşıklığını ele alır. Ancak yine de, modeldeki daha az önemli özelliklerden gelen bilgileri kullanır.
Farklı özellikler, genel hataya farklı bir şekilde katkıda bulunur ve doğal olarak, amacımız, hataya daha fazla katkıda bulunan önemli özelliklere, L2 (tepe) düzenlenmesi ile ele alınabilecek daha az önemli olanlardan daha fazla odaklanmaktır.