Основные преимущества L1-регуляризации:

• Способность к отбору признаков. 1 Поскольку L1-регуляризация может свести веса некоторых признаков к нулю, это автоматически исключает эти признаки из модели. 1 Это особенно полезно в сценариях с большим количеством признаков, многие из которых могут быть несущественными или избыточными для предсказательной модели. 1
• Разреженное решение. 3 L1-регуляризация зануляет менее важные веса и шум, что делает её устойчивой к выбросам. 3

Некоторые недостатки L1-регуляризации:

• Сложности с использованием с некоторыми алгоритмами ML-обучения. 4 В частности, с теми, в которых используются численные методы для вычисления градиента. 4
• Введение дополнительного параметра. 4 Это весовое значение регуляризации, значение которого нужно определить. 4