L2正则化，防止过拟合-历史补充

L2 正则化核心原理笔记、

Ltotal=Ldata+Lreg

Ltotal: 正则化后的成本

Ldata：训练数据的成本

Lreg：正则化成本 目标是最小化 Ltotal

所以 Ldata+Lreg 要最小

所以要考虑 Ldata 和 Lreg 同时最小

所以 Ldata 最小会拉高 W Lreg 最小会拉低 W 两者相互制衡，最终找到平衡点

这就是 L2 正则化限制 W 预防过拟合的原理

L2 正则化完整推导与原理

一、核心作用

1. 抑制模型过拟合：惩罚过大的参数权重，不让任意特征权重无限制变大；
2. 让权重整体趋向更小，但不会压缩到 0；
3. 优化稳定，梯度平滑，广泛用于线性回归、逻辑回归、神经网络。

二、数学公式推导

以普通最小二乘线性回归举例：

1. 原始损失（MSE）

2. 加入 L2 惩罚项的总损失

L2 正则是对所有权重参数做平方求和 ，乘以正则系数lambda；偏置项不做正则。

特性	L2 正则	L1 正则 (Lasso)
惩罚形式	权重平方和	权重绝对值和
权重效果	全部缩小，不会等于 0	可将不重要特征权重压缩至 0，实现特征筛选
等高线	圆形	菱形
求解	处处可导，优化顺滑	存在不可导点，多用坐标下降
别名	岭回归	Lasso 回归

六、底层为什么能防过拟合

过拟合本质：模型记住训练集噪声，依靠极端大权重拟合随机误差。 L2 限制权重上限：

1. 不允许参数极端偏大，模型无法精准贴合训练噪声；
2. 强制模型依赖更多特征共同预测，而不是少数几个特征猛拉数值；
3. 参数更平滑，泛化能力提升，在测试集表现更稳定。