簡單回顧
介紹regularization之前，必須要了解什麼是overfitting。在之前的章節或多或少都有提到overfitting這號人物，那他為什麼那麼常被提到呢？如果你有訓練過模型，相信對它並不陌生。在訓練的時候，經常會出現overfitting的情況，regularization就是用來解決它的方法。
Overfitting
最右邊那張圖就是overfitting的狀況，顧名思義就是過度學習，對於訓練資料可以完美的做分類，但是如果有一筆新的資料可能會被分錯。
舉一個簡單的例子，平時上課不認真學生在拼指考時，不懂得舉一反三，就算只是一直寫考古題，也只能把寫過的考題答對，但如果有新的題型出現，可能就會考得很差。
如果訓練資料的features太多，就會造成訓練的hypothesis過於複雜，就會造成overfitting的情況。
Regularization
左右兩張圖做比較可以發現，其實用到二次方就可以完美fit這些資料，所以我們現在就是要把其他高次方的參數拿掉，讓模型不會過於複雜，減少overfitting。
以linear regression來說，我們就是在原本的loss function後面再加上 λΣθ²
下面這張圖可以得知，參數做更新的狀況，跟之前所介紹的gradient descent類似，只是後面多了regularization那一項，將式子整理後可以得到，θ後面乘上(1-α*λ/m)，因為(1-α*λ/m)< 1，所以可以減少原本的weight（指的是θ，大部分書籍都是用w）的影響，小的θ影響不大，如果本來就很大的θ，就可以有效受到抑制。
