正则化（Regularization）是机器学习中用于防止模型过拟合（Overfitting）的一种技术，通过在模型训练过程中引入额外的约束或惩罚项，降低模型的复杂度，从而提高其泛化能力（即在未见数据上的表现）。核心思想是在拟合训练数据和控制模型复杂度之间取得平衡。

一、常见的正则化方法

1. L1 正则化（Lasso回归）

    在损失函数中添加模型权重（参数）的L1 范数（绝对值之和）作为惩罚项。
 
   特点：  
   会倾向于产生稀疏权重矩阵（即部分权重变为0），适用于特征选择（自动筛选重要特征）。

 2. L2 正则化（Ridge回归）

   在损失函数中添加模型权重的 L2 范数（平方和）作为惩罚项。
  
   特点：  
   使权重值均匀缩小，避免某些特征权重过大，但不会完全消除特征。

3. 弹性网络（Elastic Net）

   结合 L1 和 L2 正则化，通过比例参数调节两者权重。
  
  适用于高维数据且特征间存在相关性时。

 

4. Dropout（神经网络专用）

   在训练过程中随机“丢弃”（临时禁用）神经网络中的部分神经元，迫使网络不依赖单一神经元，增强鲁棒性。

5. 早停法（Early Stopping）

   在训练过程中监控验证集误差，当误差不再下降时提前停止训练，防止过拟合。

二、正则化的作用

1.防止过拟合：限制模型对训练数据的过度拟合，尤其当数据量少或模型复杂时。
2.改善泛化能力：使模型在测试数据或真实场景中表现更稳定。
3.特征选择（L1 正则化）：自动筛选对预测最重要的特征。

三、超参数 λ 的作用

λ（lambda）是正则化项的系数，控制惩罚力度：  
λ 过大：模型可能欠拟合（权重被过度压制）。  
λ 过小：正则化效果微弱，可能过拟合。  

通常通过交叉验证（Cross-Validation）选择最优的 λ。

四、示例场景

1.线性回归：使用 L2 正则化（Ridge）或 L1 正则化（Lasso）。  
2.深度学习：常用 Dropout 或 L2 正则化。  
3.高维数据（如基因数据）：L1 或 Elastic Net 更有效。

正则化是机器学习模型调优的重要工具之一，合理使用能显著提升模型性能。