在上一节介绍了如何防止模型过拟合，现在就详细的讲一讲其中的一个办法，正则化今天就详细的讲一下
从之前的数据集图象（房价预测）
在模型中我们想要防止过拟合，正则化就是对模型的变量的W进行约束，防止过于敏感，防止对模型影响过大，而且w的参数越大，这一项因子的影响就越大，就会导致模型的曲线波动的非常的厉害，变成高次函数，如右边的模型数据集。就像给模型的自由度上了一个刹车，不让他为了贴合训练数据，猛打方向，结果在新数据中表现不好
。
因为我们不知道什么特征是重要的特征，什么特征不重要，所以我们对所有参数进行惩罚，但是不对b进行惩罚，对W向量进行惩罚
为了防止参数过大，我们对模型的成本函数进行变化，添参数大小的的影响，当参数过大的时候成本函数就会变大，因为是整体的考虑，计算累加的求和，然后乘以一个参数 lamdba 入 ，
当lamdba等于，或者非常小的时候，实际上就没有进行正则化，或者说惩罚力度非常小，容易过拟合，
当lamdba过大的时候，惩罚力度很大，成本函数为了最小化成本，会将参数压得非常小，相当于忽略了特征，数据就会变成一条直线这条曲线会趋近于b,数据会欠拟合，
