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。
据我了解，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 参数之间的区别。
我在文档中发现这个问题很少：
lambda [默认=1，别名：reg_lambda]
- 权重的 L2 正则化项。增加此值将使模型更加保守。
alpha [默认=0，别名：reg_alpha]
- 权重的 L1 正则化项。增加此值将使模型更加保守。
gamma [默认=0，别名：min_split_loss]
- 在树的叶节点上进行进一步分区所需的最小损失减少。gamma越大，算法就越保守。
它们的范围都是从 0 到 inf。
提前感谢您的任何回答/评论！