xgboost 的 alpha、lambda 和 gamma 正则化参数有什么区别？

如何解决xgboost 的 alpha、lambda 和 gamma 正则化参数有什么区别？

我有一个问题要问：

xgboost 算法中权重的 L1 和 L2 正则化项究竟有何不同。

据我所知，LASSO 使用 L1，RIDGE 回归使用 L2，L1 可以缩小到 0，L2 不能。我了解使用简单线性回归时的机制，但我不知道它在基于树的模型中是如何工作的。

此外，gamma 是另一个参数，它使模型更加保守。我应该如何注意 L1/L2 和 gamma 参数之间的差异。

我在文档中发现这个问题很少：

lambda [默认=1，别名：reg_lambda]

• 关于权重的 L2 正则化项。增加这个值将使 模型更保守。

alpha [默认=0，别名：reg_alpha]

• 关于权重的 L1 正则化项。增加这个值将使 模型更保守。

gamma [默认=0，别名：min_split_loss]

• 在叶子上进行进一步分区所需的最小损失减少 树的节点。伽马越大，越保守 算法将是。

所有的范围从 0 到 inf。

预先感谢您的任何回答/评论！