欠拟合（high bias）：模型不能很好地适应训练集；
过拟合（high variance）：模型过于强调拟合原始数据，测试时效果会比较差。
处理过拟合：
1、丢弃一些特征，包括人工丢弃和算法选择；
2、正则化：保留所有特征，但减小参数的值。
过拟合一般是由高次项引起，那么我们可以通过增加某些项的cost，来降低它们的权重。
在梯度下降过程中，要使损失函数变小，那么\(\theta\)就会变得很小，所以假设函数中的\(\theta\)就会变小，该项的权重就会降低。
如果不知道要惩罚哪些特征，可以一起惩罚（除了\(\theta_0\)）。
将代价函数改为：
\(\lambda\)是正则化参数。
如果\(\lambda\)过大，那么所有的参数都会最小化，那么假设就会变为\(h_\theta(x)=\theta_0\)，造成欠拟合。
\(\theta_0\)没有正则化处理，所以梯度下降要分情况：
化简下：
可以看到：
正则化后的参数更新比原来多减小了一个值。
再看线性回归的另外一个工具：常规方程。
推导过程省略......
对于逻辑回归的代价函数，同样增加一个正则化表达式：
梯度下降算法与线性回归相同，不过\(h_\theta(x)\)不同。
原文：https://www.cnblogs.com/EIMadrigal/p/12130865.html