Regularización L1 y L2

Técnicas utilizadas en modelos de aprendizaje automático para prevenir el sobreajuste y mejorar la generalización.

Añaden un término de penalización a la función de pérdida del modelo para controlar la magnitud de los coeficientes o pesos.

En Regularización L1, también conocida como Lasso, se agrega la suma de los valores absolutos de los pesos. Esto favorece la obtención de modelos más simples al forzar que algunos pesos sean exactamente cero, lo que implica selección automática de características.

En Regularización L2, también llamada Ridge, se suma el cuadrado de los pesos a la función de pérdida. Esto conduce a la reducción de los valores de los pesos sin que estos lleguen a ser cero, manteniendo todas las características pero con menor impacto individual.

Ambas estrategias son fundamentales para construir modelos más robustos y efectivos en la práctica.