机器学习--正则化(Regularization)
【基本概念】
正则化是指修改学习算法，使其降低泛化误差.
正则化是一种为了减小测试误差的行为(有时候会增加训练误差)。
我们在构造机器学习模型时，最终目的是让模型在面对新数据的时候，可以有很好的表现。当你用比较复杂的模型比如神经网络，去拟合数据时，很容易出现过拟合现象(训练集表现很好，测试集表现较差)，这会导致模型的泛化能力下降，这时候，我们就需要使用正则化，降低模型的复杂度。
【实际意义】
在训练过程中：
- 在训练集中有时效果比较差，我们叫做欠拟合；
- 有时候效果过于完美，在测试集上效果很差，我们叫做过拟合。
因为欠拟合和过拟合都不能良好的反应一个模型应用新样本的能力，因此需要找到办法解决这个问题。
想要解决这个问题，有两个办法：
- 减少特征的数量，可以通过一些特征选择的方法进行筛选。
- 正则化，通过引入一个正则项，限制参数的大小。
比如下面的曲线，针对高次项的参数，在后面多加一项乘以1000。这样在优化损失函数的时候，会强制θ3和θ4不会很大，并且趋近于0，只有这样才会保证损失函数的值足够小。
得到的公式如***意只会针对x1开始，θ0相当于只是针对偏置项设置的，因此不需要加正则项。
但是如果λ设置的过大，相当于所有的θ都变成了0，损失函数的曲线相当于一条直线，就没有任何意义了，因此选择适合的λ很重要，后面也会讲解如何选择正确的λ。
添加正则项之后，梯度下降的公式就发生了变化：