L1和L2损失是指机器学习中常用的两种损失函数。它们通常用于衡量模型预测与真实值之间的差异。
L1损失，也称为平均绝对误差（MAE，Mean Absolute Error），计算的是预测值与真实值之间的绝对差的平均值。它对异常值比较敏感，因为它使用了绝对值，所以异常值的影响会比较大。
L2损失，也称为均方误差（MSE，Mean Squared Error），计算的是预测值与真实值之间的平方差的平均值。相比于L1损失，它对异常值的影响较小，因为平方会放大较大的误差，使得模型对异常值更加鲁棒。
在实际应用中，选择使用L1损失还是L2损失取决于具体的问题和数据特点。
如假设我们有一组真实值和模型的预测值如下：
真实值：[10, 20, 30, 40]
预测值：[12, 18, 28, 41]
首先，我们计算L1损失（MAE）：
L1损失 = (|10-12| + |20-18| + |30-28| + |40-41|) / 4 = (2 + 2 + 2 + 1) / 4 = 1.75
接下来，我们计算L2损失（MSE）：
L2损失 = ((10-12)^2 + (20-18)^2 + (30-28)^2 + (40-41)^2) / 4 = (4 + 4 + 4 + 1) / 4 = 3.25
在这个例子中，L1损失为1.75，而L2损失为3.25。可以看到，L2损失受到了较大的误差值的影响，因为平方会放大误差。而L1损失相对来说对异常值的影响较小。因此，在不同的情况下，我们可以根据具体的需求选择使用L1损失还是L2损失。