核心概念
正则化
训练时加入偏好、约束或代价，以限制模型对训练细节敏感度的一类方法。
规则化 regularisation
简明解释
正则化（regularization）是训练时加入偏好、约束或代价，以限制模型对训练细节敏感度的一类方法。 限制过大的参数可降低模型对噪声的敏感度；强度太大也会欠拟合，因此应在验证流程中选择。[1, Chapter 13]
别和什么混淆
正则化不等于特征归一化或数据清洗。它通过约束或代价改变训练偏好；强度过小可能无效，过大则可能欠拟合，不能说“越强越好”。
在本书中
本页参考来源
- Shalev-Shwartz S, Ben-David S. Understanding Machine Learning — From Theory to Algorithms [M]. Cambridge University Press, 2014. 定位：Chapter 13. 稳定来源（访问 ）。