正则化的引入
解线性方程组：
这项工作有很多种做法，下面介绍两种，如下图所示，有一些数据点需要拟合，拟合的方法有很多。
1） 构造线性函数①，这种函数比较简单，此时
2） 构造函数②，通过插值，实现对已有数据的完美拟合，模型比较复杂，得到一个多项式：
下面考虑模型选择（Model Selection）问题： 现在数据已经得到，但对它们有两种看法：
- 构造一个简单的模型：比如一条直线，只有两个参数，在这个模型下存在误差，由于N>n ，所以方程个数比未知数个数多，只能使用最小二乘法。
- 构造一个复杂的模型：非线性的多项式模型，且次数不低于N，将X从一个长矩阵变成一个方阵（N=n ），此时，对已有数据完美拟合，没有误差。
关于这里的误差，通常分为两类：训练误差（Training Error）和测试误差（Test Error），其中训练误差就是统计上的均方误差，测试误差就是预测误差。
训练误差：存在于现在已有的数据中，即用现有数据进行训练或学习时引入的误差。
测试误差：存在于新的数据中，当新的数据到来时，对其拟合时引入的误差。
上面的两个模型相比，第一个模型比较简单，而且保持了一种"弹性"，使得新数据到来时，模型有较好的适应能力，那么我们选择哪个模型更好呢？这种模型选择问题，在统计上又叫做Bais-Variance Tradeoff：均方误差包括偏差和方差，其中偏差是指数据的期望和真值的偏差，方差是指估计的抖动和误差，那么估计一定要无偏吗？答案是不一定，因为在总体均方误差一定的条件下，由于偏差是系统误差，容易纠正，而均方误差是随机的，难以控制，所以适当牺牲一些无偏性，可以得到估计起伏的减小。
现有很多数据以及与其相配合的系数：
Tikhonov正则化
对于一个模型，试图做下面的优化：
希望得到的模型既满足约束条件，同时又是最简单的，这就是一个多（双）目标优化问题。这个优化问题可以等价为：
在优化过程中，不仅要减小误差，还要使模型尽可能简化，模型复杂度越高，惩罚项越大，目标函数就会自行降低复杂度。
正则，在数学上代表平滑，一个剧烈抖动的曲线于一条斜线相比，后者正则性更好，因此平滑后正则性变好。
拟合过程中不能过于相信数据，因为数据中不可避免地存在噪声，对每一个数据做毫无误差的拟合没有太大意义。
在模型中应避免剧烈起伏。模型复杂，意味着模型的多项式阶数高。多项式的系数大，意味着系统稍微有一点扰动，模型就会发生很大的变化，模型的稳定性就低。正则化能够惩罚模型的复杂度，进而提高其稳定性。
Tikhonov正则化用2-范数惩罚模型的复杂性，达到一边优化，一边选择模型的效果，而之前在做优化的时候，模型已经确定了。下面进行简单分析：
因为文档中公式较多，不方便编辑，所以本文使用截图的方式展现。如需电子版文档，可以通过下面的链接进行下载。