正則化(Regularization)是機器學習中一種常見的技術，用于避免過擬合(Overfitting)并提高模型的泛化能力。

　　在機器學習中，我們通常需要從大量數據中學習模型，并用該模型來預測新的數據。如果模型過于復雜，它可能會在訓練數據上表現得非常好，但在新數據上的表現卻很差。這種現象稱為過擬合。

　　正則化的目標就是減少過擬合。它通過在模型中引入額外的約束條件，使模型更加簡單，從而避免模型在訓練數據上過度擬合。在正則化中，通常會使用一些額外的懲罰項，以限制模型參數的大小，從而避免參數過多或過大。

　　常見的正則化方法包括L1正則化、L2正則化和彈性網絡正則化。其中，L1正則化通過對模型參數的絕對值進行懲罰，可以使一些參數變為0，從而達到特征選擇的效果;L2正則化通過對模型參數的平方和進行懲罰，可以使參數的大小逐漸減小，從而實現平滑效果;彈性網絡正則化則是L1和L2正則化的結合，既可以進行特征選擇，又可以實現平滑效果。

　　正則化是一種重要的機器學習技術，它可以提高模型的泛化能力，從而使得模型更加穩健和可靠。