L1正则化：在哪些情况下使用惩罚代价函数？

L1正则化是一种常用的特征选择方法，可以用于降低模型的复杂度和防止过拟合。在以下情况下，可以考虑使用L1正则化：

1. 当数据集的特征维度非常高时，L1正则化可以帮助选择最重要的特征，减少冗余和噪声对模型的影响。

2. 当特征之间存在较强的相关性时，L1正则化可以促使模型选择其中一个相关特征，避免过多的冗余信息。

3. 当数据集的样本数量较少时，L1正则化可以减少模型的过拟合风险，提高泛化能力。

下面是一个使用L1正则化的代码示例，使用sklearn库的LogisticRegression模型：

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 加载数据集
data = load_iris()
X = data.data
y = data.target

# 数据预处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 创建并训练模型
model = LogisticRegression(penalty='l1', solver='liblinear')
model.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 输出准确率
accuracy = model.score(X_test, y_test)
print("Accuracy:", accuracy)

在上述代码中，LogisticRegression模型的penalty参数被设置为'l1'，表示使用L1正则化。这样可以使得模型倾向于选择少量重要的特征，从而提高模型的泛化能力。