正则化（Regularization）是机器学习中的一个重要概念，主要用于防止模型过拟合，提高模型的泛化能力，过拟合是指模型在训练数据上表现良好，但在测试数据或新数据上表现不佳的现象，正则化通过在模型的损失函数中添加一个额外的项（正则化项）来实现对模型的约束，从而防止模型过于复杂，减少过拟合的风险。
正则化可以分为两种主要类型：L1正则化和L2正则化。
1. L1正则化（L1 Regularization）：在损失函数中添加模型参数绝对值的和作为正则化项，L1正则化倾向于产生稀疏解，即许多模型参数为零，这有助于减少模型复杂度，提高泛化能力，L1正则化也被称为Lasso回归。
2. L2正则化（L2 Regularization）：在损失函数中添加模型参数平方和的一半作为正则化项，L2正则化倾向于使模型参数较小，但不为零，这也有助于防止模型过拟合，L2正则化也被称为岭回归（Ridge Regression）。
除了L1和L2正则化外，还有其他一些正则化方法，如弹性网络（ElasticNet）、Dropout等，这些正则化方法各有特点，可以根据具体问题和数据集选择合适的正则化方法。
正则化的效果取决于正则化项的选择和权重，正则化项的选择应与模型的特点和问题背景相匹配，而正则化权重的选择则需要在训练过程中进行调整，以达到最佳的模型性能。
