点击最下面卡片链接就可以进入专栏，右上角有订阅选项，欢迎大家订阅～

前言

大家好，我是鬼仔，今天带来《机器学习高频面试题详解》专栏的第1.7节：坐标轴下降法。坐标轴下降法主要是解决L1范式不可导的问题，常常会在面试中出现，属于高频面试题。目前这篇是试读，后续的文章需要订阅才能查看哦，专栏预计更新30+篇文章（只增不减），具体内容可以看专栏介绍，大家的支持是鬼仔更新的动力！

PS：上周鬼仔事情比较多（又到了绩效考核的季节Orz...），所以停更了一周，这周会补上的～

一、Ridge回归和Lasso回归

线性回归是最简单的机器学习形式，但直接应用线性回归往往会有过拟合的问题，所以需要加入正则化项。根据正则化项的不同，线性回归可以转化为Ridge回归和Lasso回归：

1. 如果加的是L2正则化项，则为Ridge回归，也叫岭回归。因为L2正则化会产生平滑的权值，所以Ridge回归不会舍弃任何一个权值变量，只会缩小其值，使得模型相对而言比较的稳定，但这会使得模型解释性差（因为保留的权值系数过多）；
2. 如果加的是L1正则化项，则为Lasso回归。因为L1正则化会产生稀疏的权值，所以Lasso回归会使得一些绝对值较小的权值系数直接变为0，因此其适用于特征筛选，得到的模型解释性更强。

但是，Lasso回归存在一个很大的问题，