它的作用基本相同。它会根据您对 LightGBM L2 正则化参数“lambda_l2”的选择来惩罚训练时的权重，旨在避免任何权重飙升到可能导致过度拟合的水平，从而抑制模型的方差。正则化项也只是所有样本的 Frobenius 范数之和乘以正则化参数 lambda 并除以样本数。您将其添加到您使用的机器学习算法的成本函数中，就像线性回归一样。如果您想获得专门针对 LightGBM 的数学图景，您可以参考在 2017 年神经信息处理系统会议 (NIPS) 上发表的 LightGBM 论文，了解 Microsoft 团队为提升算法设计的成本函数：

https://papers.nips.cc/paper/6907-lightgbm-a-highly-efficient-gradient-boosting-decision-tree.pdf

想象一下或手动表达，您将正则化项添加到成本函数中，就像在线性回归的成本函数上一样。