正规推广（Regularization）是机器学习和统计学中用于防止模型过拟合的一种技术。过拟合是指模型在训练数据上表现很好，但是在新的、未见过的数据上表现很差。这通常是因为模型过于复杂，学习了训练数据中的噪声和细节，而这些噪声和细节并不代表数据的总体特征。

为什么需要正规推广？

1、减少过拟合：通过限制模型的复杂度，正规推广有助于防止模型捕捉到数据中的噪声，而不是潜在的数据分布。
2、提高泛化能力：通过减少过拟合，正规推广提高了模型在未见数据上的表现，即提高了模型的泛化能力。

常见正规推广方法

1、L1 正规推广（Lasso回归）：在损失函数中添加模型权重的绝对值之和作为惩罚项。这可以导致某些权重变为零，从而实现特征选择。

损失函数 = 原始损失函数 + λ * (|w1| + |w2| + … + |wn|)

2、L2 正规推广（Ridge回归）：在损失函数中添加模型权重的平方和作为惩罚项。这可以减小权重的大小，但不会使它们变为零。

损失函数 = 原始损失函数 + λ * (w1^2 + w2^2 + … + wn^2)

3、Dropout：在训练过程中随机丢弃（设置为零）网络中的一些神经元，以防止神经元之间的共适应，减少过拟合。在测试时，所有神经元都会被使用，但其输出需要乘以训练时保留神经元的概率。

4、数据增强：通过对训练数据进行随机变换（如旋转、缩放、翻转等），增加数据的多样性，从而提高模型的泛化能力。

5、早停法（Early Stopping）：在训练过程中监测模型在验证集上的性能，当性能不再改善时停止训练，以防止过拟合。

6、批量归一化（Batch Normalization）：通过归一化每一层的输入，可以加速训练并减少过拟合。

如何选择正规推广方法？

选择正规推广方法通常取决于具体问题、模型类型和数据特征。例如，对于线性模型，L1和L2正规推广是常见的选择；对于深度神经网络，Dropout、批量归一化和早停法是常用的技术。实践中，可能需要尝试多种正规推广方法，并通过交叉验证来评估它们对模型性能的影响。