打卡
Ridge的特点
1. 惩罚越大，所有的参数都是趋近于0
2. 所有的参数都是**趋近**于0，很难等于0
3. 可以大致观测数据集里的共线性问题，查看这个图当中，是否有喇叭口。
4. 如果出喇叭口的话，可以大致确定，有共线性的存。但是不能确定具体哪些特征之间有共线性。
5. Ridge可以尝试消弱这种共线性问题，但是大多数情况下，效率不是特别的高。
Lasso的特点
1. 惩罚越大，w值越小。
2. 惩罚力度比Ridge大的多！！！
3. 一个很小的惩罚就可以直接将很多不重要的特征的系数值，变成0！而不是像Ridge一样趋近于0！
4. 线性模型Lasso回归算法当中，越不重要参数，在惩罚增大的情况下，值越容易受影响，越重要的参数，在惩罚增大的情况下，相对来说，越不容易受影响，所以，会发现，这些不重要的特征，不能很好的非常的反应X和Y直接的关系的特征，越容易被压缩成0。
5. 将系数值变成0的话，这个系数所对应的特征，在$Y = w_{0} + w_{1}x_{1} + \\dots + w_{p}x_{p}$回归当中，不参与回归的计算，从而达到类似于特征筛选的效果