线性回归中的正则化
正则化可以解决模型过拟合的问题，产生过拟合一般有三个原因：
- 训练数据过少
如果数据本身就不够多，无法覆盖真实的数据分布，那么数据训练会对现有的片面数据训练过度
- 数据特征过多（也属于模型过于复杂）
大道至简，虽然影响一件事情的因素有很多，即使是有多元思维模型的人也难以穷尽这些因素，求解模型也一样，总有几个或者没有那么多的特征才值得去重用，其他的权重稍微影响稍微有存在感即可
- 模型过于复杂
人脑善于把复杂的东西，进行归纳和总结，甚至是抽象出“概念”，即是越复杂的东西越难寻根问底，越难的东西不一定越高级、越好，数学公式向来都是美妙而简洁（一般来说）。
正则化的本质是什么？
本质是对权重W的约束。某个特征的权重越小，该特征就越不能起决定作用，改无关紧要的特征只能对模型进行微调，扰动较小，可以让模型专注于有决定性的那些特征。
3.正则化有哪些方法？
在梯度下降推导中，我们希望调整 w，使得损失函数 J(w) 越来越小，所以可以给损失函数添加一个关于w的惩罚项，用来约束w，即J(w)new = J(w)old + H(w)
常见的惩罚项有L2和L1的罚项
可以防止模型过拟合（overfitting）
可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择，一定程度上也可以防止过拟合
- 岭回归
岭回归可以使得某些不重要的权重w变小
- LASSO回归
LASSO回归可以使某些权重在训练的过程中变为0 注意：\lambda是需要我们自己指定，是惩罚项的惩罚力度 ，L1本身就有很大的惩罚力度，可以使得某些w为0， 可以进行特征选择。L2常用，模型属于L2的多。
对L1、L2的图解（以2维权值为例）
无惩罚项的梯度下降过程(三维)
无惩罚项的梯度下降(二维)
带L2惩罚项的梯度下降(二维)
带L1惩罚项的梯度下降(二维)
