L1-Regularisierung
Definition
L1-Regularisierung ergänzt die Zielfunktion um die Summe der absoluten Parameterwerte.
Sie kann Gewichte exakt auf null drücken und dadurch sparsame Modelle bzw. Feature-Auswahl fördern. Die Wirkung hängt von Skalierung und Regularisierungsstärke ab.
Einfach erklärt
Wie eine Strafe für viele oder große Gewichte, die manche Gewichte ganz auf null drücken kann.
Warum das im Alltag wichtig ist
Relevant für lineare Modelle, Feature-Auswahl und Sparse Modeling.
Beispiel aus dem Mittelstand
Ein lineares Modell nutzt L1-Regularisierung, um aus vielen korrelierten Merkmalen ein sparsameres Set zu erhalten.
Grenzen und Fallstricke
- Features nicht skalieren; Nullkoeffizienten automatisch kausal interpretieren; Regularisierung über Testdaten wählen.
Entstehung & Geschichte
Tibshirani führte 1996 den Lasso als L1-basiertes Regressionsverfahren ein.
Anwendung im Mittelstand
- Mögliche Anwendung im Mittelstand: Sparsame Modelle bei vielen potenziellen Merkmalen evaluieren.
Häufige Fragen
Erzeugt L1 immer Sparse-Modelle?
Häufig, aber abhängig von Daten und Stärke. Ist L1 dasselbe wie L2? Nein.
Quellen
- Regression Shrinkage and Selection via the Lasso · Tibshirani (1996), Regression Shrinkage and Selection via the Lasso
Quellen geprüft am 10.10.2026.
Redaktionell geprüft am: