我們知道L1正則化和L2正則化都可以用於降低過擬合的風險，但是L1正則化還會帶來一個額外的好處：它比L2正則化更容易獲得稀疏解，也就是說它求得的w權重向量具有更少的非零分量。
為了理解這一點我們看一個直觀的例子：假定x有兩個屬性，於是無論是采用L1正則化還是采用L2正則化，它們解出的w權重向量都具有兩個分量，即w1,w2；我們將其作為兩個坐標軸，然后在這個二維空間中繪制
平方誤差取值相同的連線，再分別繪制出L1范數和L2范數的等值線，那么我們的解就是平方誤差等值線和范數等值線的焦點。從圖上（機器學習 周志華 第十一章 圖11.2）我們可以看出L1范數和平方誤差等值曲線的交點
經常落在坐標軸上，而L2范數和平方誤差等值曲線的交點只是分量比較小。所以我們說L1正則化比L2正則化更容易獲得稀疏解，因為L1正則化的權重向量的分量為零的可能性更大。