正則化（Regularization）
機器學習中幾乎都可以看到損失函數后面會添加一個額外項，常用的額外項一般有兩種，一般英文稱作?1-norm和?2-norm，中文稱作L1正則化和L2正則化，或者L1范數和L2范數。
L1正則化和L2正則化可以看做是損失函數的懲罰項。對于線性回歸模型，使用L1正則化的模型建叫做Lasso回歸，使用L2正則化的模型叫做Ridge回歸（嶺回歸）。下圖是Python中Lasso回歸的損失函數，式中加號后面一項α||w||1即為L1正則化項。
下圖是Python中Ridge回歸的損失函數，式中加號后面一項α||w||22即為L2正則化項。
一般回歸分析中回歸w表示特征的系數，從上式可以看到正則化項是對系數做了處理。L1正則化和L2正則化的說明如下：
L1正則化是指權值向量w中各個元素的絕對值之和，通常表示為||w||1L2正則化是指權值向量w中各個元素的平方和然后再求平方根（可以看到Ridge回歸的L2正則化項有平方符號），通常表示為||w||2
一般都會在正則化項之前添加一個系數，Python中用α表示，一些文章也用λ表示。這個系數需要用戶指定。
那添加L1和L2正則化有什么用？下面是L1正則化和L2正則化的作用，這些表述可以在很多文章中找到。
L1正則化可以產生稀疏權值矩陣，即產生一個稀疏模型，因此可以用于特征選擇 L2正則化可以防止模型過擬合（overfitting）；一定程度上，L1也可以防止過擬合
稀疏模型與特征選擇
上面提到L1正則化有助于生成一個稀疏權值矩陣，進而可以用于特征選擇。為什么要生成一個稀疏矩陣？
稀疏矩陣指的是很多元素為0，只有少數元素是非零值的矩陣，即得到的線性回歸模型的大部分系數都是0. 通常機器學習中特征數量很多，例如文本處理時，如果將一個詞組（term）作為一個特征，那么特征數量會達到上萬個（bigram）。在預測或分類時，那么多特征顯然難以選擇，但是如果代入這些特征得到的模型是一個稀疏模型，表示只有少數特征對這個模型有貢獻，絕大部分特征是沒有貢獻的，或者貢獻微小（因為它們前面的系數是0或者是很小的值，即使去掉對模型也沒有什么影響），此時我們就可以只關注系數是非零值的特征。這就是稀疏模型與特征選擇的關系。
L1和L2正則化的直觀理解
這部分內容將解釋為什么L1正則化可以產生稀疏模型（L1是怎么讓系數等于零的），以及為什么L2正則化可以防止過擬合。
L1正則化和特征選擇
假設有如下帶L1正則化的損失函數：
J=J0+α∑w|w|(1)
其中J0是原始的損失函數，加號后面的一項是L1正則化項，α是正則化系數。注意到L1正則化是權值的絕對值之和，J是帶有絕對值符號的函數，因此J是不完全可微的。機器學習的任務就是要通過一些方法（比如梯度下降）求出損失函數的最小值。當我們在原始損失函數J0后添加L1正則化項時，相當于對J0做了一個約束。令L=α∑w|w|，則J=J0+L，此時我們的任務變成在L約束下求出J0取最小值的解。考慮二維的情況，即只有兩個權值w1和w2，此時L=|w1|+|w2|對于梯度下降法，求解J0的過程可以畫出等值線，同時L1正則化的函數L也可以在w1w2的二維平面上畫出來。如下圖：
圖1 L1正則化
圖中等值線是J0的等值線，黑色方形是L函數的圖形。在圖中，當J0等值線與L首次相交的地方就是最優解。上圖中J0與L在L的一個頂點處相交，這個頂點就是最優解。注意到這個頂點的值是(w1,w2)=(0,w)。可以直觀想象，因為L函數有很多『突出的角』（二維情況下四個，多維情況下更多），J0與這些角接觸的機率會遠大于與L其它部位接觸的機率，而在這些角上，會有很多權值等于0，這就是為什么L1正則化可以產生稀疏模型，進而可以用于特征選擇。
類似，假設有如下帶L2正則化的損失函數：
J=J0+α∑ww2(2)
同樣可以畫出他們在二維平面上的圖形，如下：
圖2 L2正則化
二維平面下L2正則化的函數圖形是個圓，與方形相比，被磨去了棱角。因此J0與L相交時使得w1或w2等于零的機率小了許多，這就是為什么L2正則化不具有稀疏性的原因。
L2正則化和過擬合
擬合過程中通常都傾向于讓權值盡可能小，最后構造一個所有參數都比較小的模型。因為一般認為參數值小的模型比較簡單，能適應不同的數據集，也在一定程度上避免了過擬合現象。可以設想一下對于一個線性回歸方程，若參數很大，那么只要數據偏移一點點，就會對結果造成很大的影響；但如果參數足夠小，數據偏移得多一點也不會對結果造成什么影響，專業一點的說法是『抗擾動能力強』。
那為什么L2正則化可以獲得值很小的參數？
以線性回歸中的梯度下降法為例。假設要求的參數為θ，hθ(x)是我們的假設函數，那么線性回歸的代價函數如下：
J(θ)=12m∑i=1m(hθ(x(i))?y(i))(3)
那么在梯度下降法中，最終用于迭代計算參數θ的迭代式為：
θj:=θj?α1m∑i=1m(hθ(x(i))?y(i))x(i)j(4)
其中α是learning rate. 上式是沒有添加L2正則化項的迭代公式，如果在原始代價函數之后添加L2正則化，則迭代公式會變成下面的樣子：
θj:=θj(1?αλm)?α1m∑i=1m(hθ(x(i))?y(i))x(i)j(5)
其中λ就是正則化參數。從上式可以看到，與未添加L2正則化的迭代公式相比，每一次迭代，θj都要先乘以一個小于1的因子，從而使得θj不斷減小，因此總得來看，θ是不斷減小的。
正則化參數的選擇
L1正則化參數
通常越大的λ可以讓代價函數在參數為0時取到最小值。下面是一個簡單的例子，這個例子來自Quora上的問答。為了方便敘述，一些符號跟這篇帖子的符號保持一致。
假設有如下帶L1正則化項的代價函數：
F(x)=f(x)+λ||x||1
其中x是要估計的參數，相當于上文中提到的w以及θ. 注意到L1正則化在某些位置是不可導的，當λ足夠大時可以使得F(x)在x=0時取到最小值。如下圖：
圖3 L1正則化參數的選擇
分別取λ=0.5和λ=2，可以看到越大的λ越容易使F(x)在x=0時取到最小值。
L2正則化參數
從公式5可以看到，λ越大，θj衰減得越快。另一個理解可以參考圖2，λ越大，L2圓的半徑越小，最后求得代價函數最值時各參數也會變得很小。
