lbfgs

最优化算法/L-BFGS/lbfgs.md

@@ -151,13 +151,13 @@ $$J(x) = l(x) + r(x)$$
 
   根据对模型参数所服从的概率分布的假设的不同，常用的正则化一般有`L2`正则化（模型参数服从`Gaussian`分布）、`L1`正则化（模型参数服从`Laplace`分布）以及它们的组合形式。
 
-  `L1`正则化的形式如下：
+  `L1`正则化的形式如下
 
-$$  J(x) = l(x) + r(x) = l(x) + C||x||_{1} = l(x) + C\sum_{i} |x_{i}| $$ 
+$$J(x) = l(x) + r(x) = l(x) + C ||x||_{1} = l(x) + C \sum_{i} |x_{i}|$$ 
 
-  `L2`正则化的形式如下：
+  `L2`正则化的形式如下
 
-$$ J(x) = l(x) + r(x) = l(x) + C||x||_{2} = l(x) + C\sum_{i} x_{i}^{2} $$ 
+$$J(x) = l(x) + r(x) = l(x) + C ||x||_{2} = l(x) + C \sum_{i} x_{i}^{2}$$ 
 
   `L1`正则化和`L2`正则化之间的一个最大区别在于前者可以产生稀疏解，这使它同时具有了特征选择的能力，此外，稀疏的特征权重更具有解释意义。如下图：