svm.LinearSVC 中的 'penalty' 参数需要澄清
Clarification needed for the 'penalty' argument in svm.LinearSVC
关于这个post，接受的答案解释了SVM正则化问题中的惩罚和损失。但是最后使用了术语 'l1-loss'、'l2-loss'。
据我了解，正则化问题中的objective函数是损失函数的总和，例如铰链损失：
\sum_i [1- y_i * f_i]_+
和处罚条款：
\lambda /2 ||\beta ||^2
通过说 'l1 hinge loss'，我可以将其解释为参数 'penalty' 中指定的 l1-norm 适用于损失和惩罚条款吗？
下面来自统计学习原理（Hastie 等人）的正则化问题中，是否使用了 l1 损失？
不，L2 表示应用了哪种惩罚，铰链描述了损失项的性质。选择 L1 或 L2 不会改变铰链损失，它们只会影响惩罚项。
如果你在这里参考等式：https://scikit-learn.org/stable/modules/svm.html#linearsvc 对于 LinearSVC 的默认损失项，左边部分是惩罚，默认情况下是应用于权重的 L2 惩罚，而等式的右边部分是铰链损失。
在这里检查惩罚参数的描述：https://scikit-learn.org/stable/modules/generated/sklearn.svm.LinearSVC.html
指定惩罚中使用的范数。
您在上面提供的示例中使用了 L2 惩罚。 L1 惩罚是 beta 项的绝对值之和，上面的是平方值之和。
关于这个post，接受的答案解释了SVM正则化问题中的惩罚和损失。但是最后使用了术语 'l1-loss'、'l2-loss'。
据我了解，正则化问题中的objective函数是损失函数的总和，例如铰链损失：
\sum_i [1- y_i * f_i]_+
和处罚条款：
\lambda /2 ||\beta ||^2
通过说 'l1 hinge loss'，我可以将其解释为参数 'penalty' 中指定的 l1-norm 适用于损失和惩罚条款吗？
下面来自统计学习原理（Hastie 等人）的正则化问题中，是否使用了 l1 损失？
不，L2 表示应用了哪种惩罚，铰链描述了损失项的性质。选择 L1 或 L2 不会改变铰链损失，它们只会影响惩罚项。
如果你在这里参考等式：https://scikit-learn.org/stable/modules/svm.html#linearsvc 对于 LinearSVC 的默认损失项，左边部分是惩罚，默认情况下是应用于权重的 L2 惩罚，而等式的右边部分是铰链损失。
在这里检查惩罚参数的描述：https://scikit-learn.org/stable/modules/generated/sklearn.svm.LinearSVC.html
指定惩罚中使用的范数。
您在上面提供的示例中使用了 L2 惩罚。 L1 惩罚是 beta 项的绝对值之和，上面的是平方值之和。