(一) 拟合与欠拟合

欠拟合：
是指测试级与训练集都不理想。
过拟合：
训练集的结果准确但测试集的训练结果不理想，模型不适用。

(二) 正则化的目的

正则化就是防止过拟合，增加模型的鲁棒性 robust，鲁棒是 Robust 的音译，也就是强壮的意思。就像计算机软件在面临攻击、网络过载等情况下能够不死机不崩溃，这就是该软件的鲁棒性。鲁棒性调优就是让模型拥有更好的鲁棒性，也就是让模型的泛化能力和推广能力更加的强大。

(三) 惩罚项

正则化（鲁棒性调优）的本质就是牺牲模型在训练集上的正确率来提高推广能力，
W 在数值上越小越好，这样能抵抗数值的扰动。同时为了保证模型的正确率 W 又不能极小。故而人们将原来的损失函数加上一个惩罚项，这里面损失函数就是原来固有的损失函数，比如回归的话通常是 MSE，分类的话通常是 cross entropy 交叉熵，然后在加上一部分惩罚项来使得计算出来的模型 W 相对小一些来带来泛化能力。

（3.1）常用的惩罚项：

其中：

（3.2）L-P范数：

（3.3）L1与L2的选择：

L1 正则会使得计算出来的模型有的 W 趋近于 0，有的 W 相对较大，而 L2 会使得 W 参数整体变小。