tensorflow学习之路-正则化

为什么要正则化
简单来说，正则化是一种为了减小测试误差的行为(有时候会增加训练误差)。我们在构造机器学习模型时，最终目的是让模型在面对新数据的时候，可以有很好的表现。当你用比较复杂的模型比如神经网络，去拟合数据时，很容易出现过拟合现象(训练集表现很好，测试集表现较差)，这会导致模型的泛化能力下降，这时候，我们就需要使用正则化，降低模型的复杂度。

1、机器学习中的正则化(Regularization)
2、机器学习–正则化(Regularization)
3、机器学习正则化方法dropout、Inverted dropout和drop connect的原理及区别