过拟合问题
当变量过少时，可能存在欠拟合；当变量过多时，会存在过拟合。过拟合可能对现有数据拟合效果较好，损失函数值几乎为零，但是不能进行泛化时，即不适于非训练集的其他数据。
如何解决过拟合问题
绘制假设模型图像，但当特征变量变多时，绘制很困难。当变量过多而训练数据较少时，容易出现过拟合。
解决过拟合问题，通常有两种方法：一种是减少特征的数量，可以通过人工选择特征，也可以通过模型选择算法进行处理。这种方法存在的问题就是，可能会损失某些信息，可能所有的特征对于数据来说或多或少都是有用的，但是删除某些特征就会造成信息的缺失。第二种方法就是正则化，它保留所有的数据但是降低参数的量级，使每一个变量都对预测有影响，但是每个特征的影响程度较小。
当参数过多时，会存在过拟合现象，假如我们在损失函数中加入一项作为惩罚，如加入，当参数
过大时，会使得损失函数变大，而我们的目标是损失函数最小化，因此，会迫使参数值变小，当但数值值趋近于0时，近似于新加入的项
趋近于0，相当于去掉这一项，此时，模型又近似于二次函数形式。解决了过拟合问题。
当参数很多时，无法确定那些参数对模型影响大，哪些影响较小。无法对参数进行选择约束。因此，我们就从整体上对参数进行约束，加入上图紫色的正则项，对除以外的所有参数进行约束。
为正则参数。
当正则参数取值较大时，惩罚作用较大，会使得所有参数的取值近似于0，此时，会使得假设模型中参数项以外的项趋近于0，假设模型近似于一条直线，造成欠拟合。
线性回归的正则化——将梯度下降和正规方程用于正则化的线性回归
加入正则项以后，损失函数如上图所示，我们的目标依旧是找到最小化损失函数对应的参数值。通常有两种方法，梯度下降与正规方程。
在正则化损失函数中，梯度下降的原理与线性回归中一样，只是在迭代过程中将单独分列出来，因为在正则化过程中只对
进行惩罚。在对
进行梯度下降时，加入正则项。化简后的梯度下降迭代公式如上图最后一个公式所示，第一项中的（
）是一个略小于1的数，假设为0.99，第二项与原梯度下降公式相同，因此，在进行每次迭代时，都是将原参数乘以0.99，每次迭代将参数缩小一点。
加入正则项以后，在构建正规方程时，相当于在正规方程中加入了一个（n+1）*（n+1）的矩阵，首行首列元素均为零。
加入正则项以后，只要是成立的，则可以保证矩阵是非奇异矩阵，确保矩阵可逆。因此，正则化还可以解决奇异矩阵的问题。
logistic回归中的正则化问题
在logistics回归中由于特征变量增加，也会带来过拟合问题，在模型中加入正则项解决该问题。
在正则化的logistic回归模型中进行梯度下降的方式与线性回归中的方式相似，上图方括号中的式子为正则化后的损失函数。但是这里对的定义与线性回归中的不同，这里表示的是一个sigmoid函数。
