ข้อผิดพลาดกำลังสองภายใต้ตัวแบบเชิงเส้นมักเป็นที่ต้องการเนื่องจาก:
- ความสัมพันธ์กับ orthogonality ที่ทำงานได้ดีด้วยความเคารพต่อปรากฏการณ์สุ่มถือเป็นเสียง (uncorrelatedness)
- มันนูนและเปลี่ยนแปลงได้ไม่ใช่L1
- มันให้อัลกอริธึมการหาค่าเหมาะที่สุดที่เข้าใจได้ง่ายที่สุดเมื่ออนุพันธ์เปลี่ยนเป็นระบบเชิงเส้น
L1มักจะถือว่าเป็น proxy สะดวกหรือผ่อนคลายนูนไป sparsity เข้มงวด (นับจากที่ไม่ใช่ศูนย์เงื่อนไข) ซึ่งมีความซับซ้อน combinatorially ดูตัวอย่างสำหรับระบบ Underdetermined ขนาดใหญ่ที่สุดของสมการเชิงเส้นน้อยที่สุด -norm โซลูชั่นนี้ยังมี ℓ1เส้นเล็กโซลูชั่น บางคนมีแนวโน้มที่จะใช้ ,เพื่อบังคับให้มีการกระจัดกระจายมากขึ้นด้วยต้นทุนของการสูญเสีย "นูน"ℓp0<p<1
อย่างไรก็ตามการวัดการนับนั้นไม่ไวต่อการปรับสเกลที่ไม่ใช่ศูนย์ คูณเวกเตอร์ด้วยค่าคงที่ไม่เป็นศูนย์จำนวนคำที่ไม่ใช่ศูนย์จะยังคงเหมือนเดิม ดังนั้นคือ order homogeneous ในขณะที่ norms หรือ quasi-norms ทั้งหมด -order homogeneous แม้ว่าอย่างใด ในฐานะความคลาดเคลื่อนนี้ดูเหมือนจะเป็นช่องว่างให้ฉันℓ0ℓ00ℓp1ℓp→ℓ0p→0
ดังนั้นการรักษาด้วยบรรทัดฐานบางกำลังพิจารณา (ไม่ใช่นูน) อัตราส่วนบรรทัดฐานเช่น ดูตัวอย่างอ้างอิงในEuclid ในรถแท็กซี่: เบาบางตาบอด deconvolution กับเรียบ regularizationℓ1/ℓ2ℓ1/ℓ2