`1 正则化不能将参数缩小到零，因此它可以用于特征选择的目的

是的。你可以参考这个答案。

深度神经网络

许多其他超参数，如嵌入维度、层维度、输入长度、参数共享、迁移学习中的重用层、早期停止策略、学习率衰减等等。这是一篇好文章。

对于超参数，您可以参考 Tensorflow 或sklearn中的 API 。

#2

协方差矩阵的特征值不能小于零，因为它是实数对称矩阵。但是，矩阵本身对正/负/零没有这种限制。

正如您所注意到的，协方差可以小于零。当变量的相关性小于零时，就会发生这种情况。因此，协方差矩阵中可能有小于零的数字。

如果两个变量之间的相关性为零，则零是协方差矩阵中的理论可能性。然而，在实践中，您不会在大多数数据中观察到这一点（参见亨利的评论......分类数据也可能具有零经验相关性）。

回复：L1 正则化，我认为这是一个棘手的问题。结论是正确的，但前提是错误的——L1 正则化可以将参数缩小到零，这就是它可以用于变量选择的原因（任何与零参数相关的特征都会有效地从模型中剔除）。

但是，如您所知，当 X 为假时，“如果 X 则 Y”的暗示为真——也就是说，它是一个空洞的暗示。不知道你的导师有多牛逼。如果您回答“是”，我认为您应该准备好解释原因。我认为“否”的答案会更符合对问题的非正式解释，但同样，你应该准备好解释。