机器学习的正则化
什么是正则化？
正则化是在机器学习中防止过拟合，提高模型的泛化能力的一种技术，我们训练模型就是对目标函数求解，而目标函数就是误差函数（损失函数）加正则化项，正则化项当中的 λ 被称为正则化系数，越大，这个限制越强。需要值得注意的是，正则化往往用在线性函数上面，如线性回归、逻辑回归，SVM等，复杂的神经网络可能无法使用。
正则化如何限制模型能力？
线性模型：一般正则项到特殊
M是模型的阶次（表现形式是数据的维度），比如M=2，就是一个平面（二维）内的点，这里我们主要探究q的取值。
当M=2时，即W={W1,W2};横坐标是1,纵坐标是W2，绿线是俯视图的其中一条等高线。而z轴（垂直于平面）的值就是正则化项的取值。
蓝色圆圈上的点就是我们寻找误差函数的过程，红色圈圈是是正则化项的表示，这两者组成的是我们的目标函数，也就是说考虑这两项使得目标函数最优。二次正则项（左图）的优势是处处可导，方便计算，且保留原始维度（特征）；一次正则项（有图）可以降低维度，得到稀疏的权重矩阵，，但是不是处处可微的，计算有一些麻烦。
神经网络
early stopping
Early stopping是一种迭代次数截断的方法来防止过拟合的方法，即在模型对训练数据集迭代收敛之前停止迭代来防止过拟合。
具体做法：每个epoch（或每N个epoch）结束后，在验证集上获取测试结果，随着epoch的增加，如果在验证集上发现测试误差上升，则停止训练，将停止之后的权重作为网络的最终参数。
缺点：缺点显而易见，可能没训练到理想的误差值就停止了，不能做出很复杂的判断。
Dropout
Dropout 指的是在训练过程中每次按一定的概率（比如50%）随机地“删除”一部分隐藏单元（神经元），所谓删除就是将神经元的激活函数设为0，让其不起作用。
它消除或者减弱了神经元节点间的联合，降低了网络对单个神经元的依赖，从而增强了泛化能力。
参考链接：https://charlesliuyx.github.io/2017/10/03/%E3%80%90%E7%9B%B4%E8%A7%82%E8%AF%A6%E8%A7%A3%E3%80%91%E4%BB%80%E4%B9%88%E6%98%AF%E6%AD%A3%E5%88%99%E5%8C%96/#Why-amp-What-正则化
