L1 正则化和 L2 正则化有什么区别？｜腾讯算法面经解析

60 秒回答模板

可以这样回答：L1 正则在损失中加入参数绝对值和，倾向于把部分权重压到 0，产生稀疏特征选择；L2 正则加入参数平方和，倾向于均匀缩小权重，降低模型复杂度和过拟合。从几何上看，L1 约束是带尖角的菱形，最优解更容易落在坐标轴上形成稀疏；L2 约束是圆形或球形，权重会整体变小但不容易恰好为 0。梯度上 L2 与权重成比例，L1 在 0 附近有不可导点。 L1 适合高维稀疏和特征选择，但优化更不平滑；L2 更稳定，常用于权重衰减和控制模型容量。两者也可以组合成 Elastic Net。不要只说一个防过拟合一个做稀疏。要说明目标函数、梯度/几何直觉、特征相关性、标准化和正则强度选择。验证时重点看：观察非零权重数量、权重范数、训练/验证差距、特征稳定性和不同 lambda 下指标变化。

考点 考点边界

主线 核心机制

易错点 只背“L1 与 L2 正则化差异”的结论，漏掉关键步骤…

深入解析

考点边界

这题必须围绕“L1 与 L2 正则化差异”本身回答，不能套相邻大类模板。先给定义或目标，再展开机制、边界、取舍和验证抓手。回答时要主动点出题面关键词对应的对象、输入输出和约束条件，避免把具体问题讲成宽泛复习提纲。本题对应“L1 与 L2 正则化差异”，核心前提是：L1 正则在损失中加入参数绝对值和，倾向于把部分权重压到 0，产生稀疏特征选择；L2 正则加入参数平方和，倾向于均匀缩小权重，降低模型复杂度和过拟合。

核心机制

从几何上看，L1 约束是带尖角的菱形，最优解更容易落在坐标轴上形成稀疏；L2 约束是圆形或球形，权重会整体变小但不容易恰好为 0。梯度上 L2 与权重成比例，L1 在 0 附近有不可导点。关键证据要落到训练目标、特征流、损失函数、指标变化，这样才能说明机制为什么能支撑题目结论。如果继续展开，要说明样本、特征、损失函数、参数更新和评估指标如何互相影响，以及哪一环最可能导致泛化失败。

关键取舍

L1 适合高维稀疏和特征选择，但优化更不平滑；L2 更稳定，常用于权重衰减和控制模型容量。两者也可以组合成 Elastic Net。因此需要同时比较离线指标、线上收益、样本覆盖、推理延迟和资源成本，不能只看单次训练分数。这些取舍决定了方案在不同输入规模、延迟、内存、并发、泛化或一致性要求下是否仍然成立。

边界风险

不要只说一个防过拟合一个做稀疏。要说明目标函数、梯度/几何直觉、特征相关性、标准化和正则强度选择。排查时优先看训练/验证差距、分桶指标、错误样本、数据泄漏、长尾覆盖和线上分布漂移。需要特别关注极端输入、数据分布变化、资源不足、并发竞争或观测口径错误带来的退化。修复时要分别验证数据切分、特征处理、训练配置和线上反馈，避免把泄漏、漂移或长尾问题误判成模型本身缺陷。

验证抓手

验证时要同时看离线指标、线上分桶效果、错误样本和资源开销。只说 accuracy 或只说训练技巧都不完整，最好补充 AUC、F1、PR 曲线、校准、延迟和可解释性等维度。针对本题，最有价值的验证信号是：观察非零权重数量、权重范数、训练/验证差距、特征稳定性和不同 lambda 下指标变化。把验证抓手说出来，可以让答案从知识点延伸到模型训练、评估和上线判断。

易错点

只背“L1 与 L2 正则化差异”的结论，漏掉关键步骤：从几何上看，L1 约束是带尖角的菱形，最优解更容易落在坐标轴上形成稀疏；L2 约束是圆形或球形，权重会整体变小但不容易恰好为 0。梯度上 L2 与权重成比例，L1 在 0 附近有不可导点。
没有说明“L1 与 L2 正则化差异”的失败边界：不要只说一个防过拟合一个做稀疏。要说明目标函数、梯度/几何直觉、特征相关性、标准化和正则强度选择。
把相邻概念混用，没有明确说明这道题真正考察的边界。
没有给出验证方式，导致答案听起来完整但无法判断是否真的生效。

面试官追问

为什么 L1 更容易产生稀疏权重？

L1 的约束区域有尖角，最优解更容易落在坐标轴上，使部分参数变成 0；L2 是圆形或球形约束，更倾向于整体缩小权重而不是置零。

使用 L1/L2 前为什么要关注特征标准化？

正则直接惩罚参数大小，特征尺度不同会让惩罚不公平，导致某些特征因为量纲而被过度压缩。比较正则强度和系数解释前通常要标准化。

“L1 与 L2 正则化差异”追问实现细节时，应该展开哪条链路？

L1 正则在损失中加入参数绝对值和，倾向于把部分权重压到 0，产生稀疏特征选择；L2 正则加入参数平方和，倾向于均匀缩小权重，降低模型复杂度和过拟合。面试官继续追问时，应该沿着这条机制展开：从几何上看，L1 约束是带尖角的菱形，最优解更容易落在坐标轴上形成稀疏；L2 约束是圆形或球形，权重会整体变小但不容易恰好为 0。梯度上 L2 与权重成比例，L1 在 0 附近有不可导点。

“L1 与 L2 正则化差异”怎么验证结论没有答偏？

优先给出能观察或推导的证据：观察非零权重数量、权重范数、训练/验证差距、特征稳定性和不同 lambda 下指标变化。同时补充失败边界：不要只说一个防过拟合一个做稀疏。要说明目标函数、梯度/几何直觉、特征相关性、标准化和正则强度选择。

“L1 正则化和 L2 正则化有什么区别”继续追问时最该补哪条边界？

应该围绕“L1 与 L2 正则化差异”补适用前提、失败场景和验证证据。先说明哪些条件下这个机制成立，再说明哪些输入规模、并发状态、数据分布或资源限制会让答案需要调整。