1、L2-Norm 正则的意义:不要让损失函数完全等于0,损失函数完全等于0时,在训练集上表现太好会导致过拟合现象产生,且对于逻辑回归,参数w的值会趋于正无穷。加入正则项,可以使参数的w变小,使其模型生成的拟合曲线变得平滑。 λ \lambda λ:超参数, weighting factor 超参数大的时候,w会变小 超参数很小的时候,w会变得很大 L2-norm的值取参数二范式的平方 对于超参数的选择,一般使用交叉验证 L2-Norm下的梯度下降