（5）L1、L2正则化

    正则化主要是用于降低过拟合的风险。

    L1 引入稀疏性，删除影响较少的参数，可减少计算量。拉普拉斯分布（背靠背的指数分布）

    L2 均衡各个参数的影响，比较平滑，效果比较好。高斯分布。可以获得更少的非0分类。

    L!和L2正则化的过程如图所示

    

L1，L2正则化示意图

    从贝叶斯估计的角度看，正则化项目对应于模型的先验概率，可以假设复杂的模型有比较小的先验概率，简单的模型有较大的先验概率。