ElasticNet正则化的优势和适用场景
什么是ElasticNet？它如何结合L1和L2正则化的优点？适合在什么场景下使用？
回答
小字辈
ElasticNet由Zou和Hastie(2005)提出，损失函数为 MSE + λ₁Σ|w| + λ₂Σw²。它融合了L1的稀疏性和L2的稳定性。优势：(1)当特征数远大于样本数（p≫n）时，Lasso最多选择n个特征，ElasticNet无此限制。(2)当特征分组相关时，Lasso只随机选组中一个特征，ElasticNet能同时选出一组。(3)既能做特征选择，又能缓解共线性。适用场景：高维数