正则化：给模型戴上“紧箍咒”

正则化通过在损失函数里增加惩罚项，阻止模型把参数学得过于极端，从而抑制过拟合。它让模型“别太用力”，在训练数据上的表现略微下降，换来在新数据上更稳定。

正则化的思想充满东方智慧：留有余地，反而走得更远。一个把训练题做到满分的模型，往往是个脆弱的做题家；允许它有些小瑕疵，它反而能应对真实世界的千变万化。

## 核心要点

图片来源：Openverse / Rain Rabbit（https://www.flickr.com/photos/37996583811@N01/8928406315）

1. L1 正则化会让部分参数归零，天然具有特征选择效果。

2. L2 正则化把参数压小但不归零，模型更平滑。

3. 深度学习中的 Dropout、权重衰减都属于广义正则化。

4. 正则化强度的调节本质是偏差-方差权衡的具体操作。

图片来源：Openverse / Rain Rabbit（https://www.flickr.com/photos/37996583811@N01/8929003226）

## 写在最后

以上是关于「正则化」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。