正则化是一种 用于减少模型过拟合风险的技术。当模型在训练数据上表现得太好时，它可能会学习到训练数据中的噪声或随机波动，而不是数据中的基本模式，这会导致模型在未见过的数据上表现不佳，即过拟合。正则化的目的是通过引入额外的约束或惩罚项来限制模型的复杂度，从而提高模型在未知数据上的泛化能力。
正则化可以通过在损失函数中添加一个正则项来实现。这个正则项是基于模型参数而构建的，并且是一个超参数，用来调节正则项的强度，就像是给模型的“紧箍咒”调节松紧程度一样。
常见的正则化方法包括L1正则化和L2正则化。L1正则化（也称为Lasso正则化）通过在目标函数中添加参数的绝对值之和，使得一些参数变为0，从而实现特征选择的效果。L2正则化（也称为Ridge正则化）则通过在目标函数中添加参数的平方和，使得模型参数更加平滑，避免过大的权重值。
通过这些方法，正则化帮助模型在训练数据和新数据之间取得平衡，从而提高模型在真实世界应用中的表现。