正则化-最通俗的解释
一.正则化-大白话解释
“正则化”是机器学习中的一个术语，那么在解释正则化之前，不得不解释与之非常非常关系密切的另一个机器学习的术语“过拟合”…
“过拟合”是指机器学习在训练模型时，模型与训练数据贴合的太好了，好到误差基本接近于0了（就好比海尔兄弟似的，天天穿着裤衩子在一起，密不可分，不好意思跑题了…）如下最右边的图所示：
“过拟合”会导致模型的“泛化“”能力太差，那什么是“泛化“”能力呢？说的再通俗点，就是模型的通用能力，训练的模型如果只能适用于某种特定的即为苛刻条件，那么这个模型可用的范围，所能承受的抗干扰性（术语叫做鲁棒性）就太差了…
所以为了 防止模型出现“过拟合”的现象，于是就提出了“正则化”这一概念…
正则化正是为了防止训练模型时，产生过拟合的现象；
举个非常感性的例子，如果我们搬了一块非常平整大理石瓷砖，我们暂时想把这片瓷砖放在另一片瓷砖上，但是如果直接放在上边，那么这两片瓷砖就会贴合的非常好，如果想再次拿起来上边这一片瓷砖就非常的不容易，所以我们在瓷砖与瓷砖的边缘之间放上一根树枝之类的物体，为的就是让瓷砖与瓷砖之间有间隔、有缝隙，这样我们就可以把手指扣进去更加使得上劲的把上边的瓷砖搬走了… 再举一个理性的例子，点线（蓝色的···线）表示的是，在以圆圈表示的国家上训练的原始模型（没有正方形表示的国家），虚线（红色的—线）是我们在所有国家（圆圈和方形）上训练的第二个模型，实线是用与第一个模型相同的数据训练的模型，但是有一个正则化约束。 可以看到，正则化强制了模型的斜率较小：该模型与训练数据（圆圈）的拟合不如第一个模型，但它实际上更好地泛化了它没有在训练时看到的新实例（方形）。
今天的分享就到这里，希望可以帮助到大家…
上一篇：
通过多线程提高代码的执行效率例子