机器学习在损失函数中加入正则项，称为Regularize正则化。目的是防止过拟合。原理是：加上限制后，缩小了解空间，从而减少过拟合的可能性。
L0范数表示向量中非零元素个数，但L0范数的求解是个NP-Hard问题；L1范数也可以实现稀疏，而且更容易求解。L2范数不如L1范数更能够降低复杂度，但是处处可微，更容易计算。
L1正则化：会产生稀疏权值矩阵，即稀疏模型，用于特征选择；可以让一部分特征的系数为0，间接实现特征选择，适用于特征之间有关联的情况。
L2正则化让所有的特征系数都缩小，但不会减为0，可以优化求解，稳定且快速，适用于特征之间没有关联的情况。
所谓监督学习，任务是最小化误差，即损失函数，从而让我们的模型拟合训练数据，而规则化则是防止过度的拟合。
损失函数的类型：
Square Loss
Hinge Loss：SVM
Exp-Loss：Boosting
Log-Loss：逻辑回归等等。
正则项：
L0范数希望参数矩阵W的大部分元素为0。L1范数又叫LASSO正则项。
L1会起作用，虽然并不如L0范数直观，但是求解起来更加容易。
L1范数的图像和目标曲线的等高线很容易在角点处相交，因此会产生稀疏性，L2范数就很难了。