一、机器学习正则化
无论是机器学习还是深度学习，正则化都是一项关键的技术。其实现阶段，我们的模型都可以在训练集上去的比较好的效果，但我们的模型在测试集上的效果才是我们所关心的。因此正则化就显得尤为重要，正则化可以防止模型过拟合，增加鲁棒性。
总的来说，监督学习的核心原理就是如下公式 ：
该公式分为两部分，前一项是经验最小化，后一项为正则项。经验最小化是为了极大程度的拟合训练数据，正则项则是为了防止过分拟合训练数据。机器学习中的正则项有L1正则和L2正则.
在聊这两个正则前，我们先说说L0正则。L0正则也就是矩阵中所有非0元素的个数，对于L0正则的理解就是希望参数矩阵W的大多数元素都为0，这样正则项就会很小。此时，可能会有人会说L1正则不就是在干这个事吗？这里面的原理，扯就一大堆，简答说：在机器学习中，L0和L1正则都可以实现矩阵的稀疏性，但在实践中，L1的泛化求解特征更好一些，所以人们大多使用L1正则而不是用L0正则。对于L1正则而言，L1范式就是矩阵中各个元素绝对值之和。至于为啥稀疏，稀疏的作用，主要是为了特征的选择和易于解释模型.
