岭回归和Lasso回归以及norm1和norm2

norm代表的是距离，两个向量的距离；下图代表的就是p-norm，其实是对向量里面元素的一种运算；

最简单的距离计算（规范）是欧式距离（Euclidean distance），两点间距离是如下来算的，属于L2-norm：

另外一种就是出租车距离（也称之为曼哈顿距离）：这是一种1-norm：

L1-norm对应的就是1-norm，L2-norm对应的是2-norm；

注意上面的x代表的是两个向量的差值，x=v1-v2；x1=v1【1】-v2【1】。

下面的就是岭回归（L2-norm）和Lasso回归（L1-norm）的成本公式：

在健壮性上面（抵御异常值），L1是优于L2的，因为L1是线性的，L2是曲线，后者对于离群值（outlier）的判断是要更加困难的；

在稳定性上面（水平调整的抵抗力，和健壮性相反），L2是优于L1的；

在解决方案层面上，L2只有一个，比如欧氏距离中，因为是多元的，所以当且仅当x和y同时满足才能够实现距离最短（比如线性回归里面的梯度下降，里面就是对x，y同时求导）；但是，L1只有则有多个解，下面的就是曼哈顿路线图，可以看到其实是有多条路可以到对角。

计算困难度上面，L2是要高于L1，毫无疑问，L2是平方计算，L1是一次方计算；

稀疏性（Sparsity）上面，L1要高于L2的；

这里讲述的L1，L2其实是扩展讲述，其实在岭回归以及Lasso回归中重要的应用场景是如果线性回回模型导致了过拟合，此时需要进行正则化，这个时候可以选择岭回归和Lasso回归来进行正则化，所谓的正则化其实就是讲规则公式增加一些噪声，其中就是通过添加L1或者L2的噪声。