（一）正则化目的

防止过拟合现象，通过降低模型在训练集上的精度来提高其泛化能力，从而增加正则项

常见的降低过拟合方法

■增加数据集的数据个数。数据量太小时，非常容易过拟合，因为
小数据集很容易精确拟合。
■找到模型优化时的平衡点，比如，选择迭代次数，或者选择相对简单的模型。
■正则化。

(二)正则化参数

机器学习中的正则化通过引入模型参数λ（lambda）来实现。

（2.1）常见的损失函数

加入了正则化参数之后线性回归均方误差损失函数公式

加入了正则化参数之后的逻辑回归均方误差损失函数公式

以上公式，一个由两项内容组成的函数：一个是损失项，用于衡量模型与数据的拟合度；
另一个是正则化项，用于调解模型的复杂度。

L1正则化

根据权重的绝对值的总和来惩罚权重。L1正则化有助于使不相关或几乎不相关的特征的权重正好为0，从而将这些特征从模型中移除。

L2正则化

根据权重的平方和来惩罚权重。L2 正则化有助于使离群值（具有较大正值或较小负值）的权重接近于0，但又不会正好为
0。在线性模型中，L2 正则化比较常用，而且在任何情况下都能够起到增强泛化能力的目的。

用L1正则化的回归又叫Lasso Regression（套索回归），应用L2正则化的回归又叫Ridge Regression（岭回归）。