定义
对于线性回归或逻辑回归的损失函数构成的模型，可能会有些权重很大，有些权重很小，导致过拟合（就是过分拟合了训练数据），使得模型的复杂度提高，泛化能力较差（对未知数据的预测能力）。
下面左图即为欠拟合，中图为合适的拟合，右图为过拟合：
分析：过拟合问题往往源自过多的特征。
解决方法
1）减少特征数量：减少特征会失去一些信息，即使特征选的很好。可用人工选择要保留的特征；也可根据模型选择算法；
2）正则化：特征较多时比较有效，保留所有特征，但减少θ的大小
正则化方法
正则化是结构风险最小化策略的实现，是在经验风险上加一个正则化项或惩罚项。正则化项一般是模型复杂度的单调递增函数，模型越复杂，正则化项就越大。从房价预测问题开始，这次采用的是多项式回归。左图是适当拟合，右图是过拟合：
直观来看，如果我们想解决这个例子中的过拟合问题，最好能将x3,x4的影响消除，也就是让θ3=0，θ4=0.。假设我们对θ3，θ4进行惩罚，并且令其很小，一个简单的办法就是给原有的Cost函数加上两个略大惩罚项，例如：
通过这样的代价函数选择出的θ3和θ4对预测结果的影响就比之前要小许多。假如我们有非常多的特征,我们并不知道其中哪些特征我们要惩罚,我们将对所有的特征进行惩罚,并且让代价函数最优化的软件来选择这些惩罚的程度。这样的结果是得到了一个较为简单的能防止过拟合问题的假设:
备注：注:根据惯例,我们不对θ0进行惩罚。
其中λ又称为归一化参数(Regularization Parameter)。如果它的值很大，说明对模型的复杂度惩罚大，对拟合数据的损失惩罚小，这样它就不会过分拟合数据，在训练数据上的偏差较大，在未知数据上的方差较小，但是可能出现欠拟合的现象；如果它的值很小，说明比较注重对训练数据的拟合，在训练数据上的偏差会小，但是可能会导致过拟合。经过归一化处理的模型与原模型的可能对比如下图所示:
如果选择的归一化参数λ过大,则会把所有的参数都最小化了,导致模型变成hθ(x)=θ0也就是上图中红色直线所示的情况,造成低度拟合。
如果我们要使用梯度下降发令这个代价函数最小化,因为我们未对θ0进行归一化，
对上面的算法中j=1,2,...,n时的更新式子进行调整可得:
可以看出,归一化线性回归的梯度下降算法的变化在于,每次都在原有算法更新规则的基础上令θ值减少了一个额外的值。
我们同样也可以利用正规方程来求解归一化线性回归模型,也就求使J(θ)min的θ，令J(θ)对θj求导的所有导数等于0，有公式如下：正则化后的线性回归的Normal Equation的公式为：
同样对于逻辑回归,我们也给代价函数增加一个归一化的表达式,得到:
要最小化该代价函数,通过求导,得出梯度下降算法为:
注:看上去同线性回归一样,但是知道hθ(x)=g(θTX),所以与线性回归不同。
