正则化技术用于防止预测模型中的统计过拟合。正则化算法通常通过对复杂性施加惩罚来工作，比如将模型系数添加到最小化中，或者包括粗糙度惩罚。通过在模型中引入额外的信息，正则化算法可以处理多重共线性和冗余预测量，使模型更加简洁和准确。
流行的正则化技术包括脊回归（也称为Tikhonov正规化），套索和弹性净算法，缩小质心的方法，以及跟踪图和交叉验证均方误差。您也可以将Akaike信息标准（AIC）应用为适合度量的公制。
每个正则化技术为某些用例提供优势。
- 套索使用L1规范，倾向于完全强制各个系数值朝向零。因此，套索工作得很好，作为特征选择算法。它很快识别少数键变量。
- Ridge回归使用L2标准为系数（您最小化平方误差的总和）。脊回归倾向于在较大数量的系数上扩散系数收缩。如果您认为您的模型应该包含大量系数，则Ridge回归可能是一种很好的技术。
- 弹性网可以弥补套索无法识别额外的预测因子。
正规化与之相关功能选择因为它迫使一个模型使用更少的预测器。正则化方法有一些明显的优势。
- 正则化技术能够在比大多数特征选择方法更大的数据集上操作(除了单变量特征选择)。Lasso和ridge回归可以应用于包含数千，甚至数万个变量的数据集。
- 正则化算法通常生成比特征选择更精确的预测模型。正则化作用于连续空间，而特征选择作用于离散空间。因此，正则化通常能够对模型进行微调，并产生更准确的估计。
但是，特征选择方法也有优势：
- 特征选择有点直观，更容易向第三方解释。当您在分享结果时必须描述您的方法时，这是有价值的。
- 马铃薯®和统计和机器学习工具箱™万博1manbetx支持所有流行的正则化技术，可用于线性回归，逻辑回归，支持向量机和线性判别分析。如果您正在使用其他模型类型，如提升决策树，则需要应用功能选择。
关键点
- 正则化(与特征选择一起使用)用于防止预测模型中的统计过拟合。
- 由于正则化在连续空间上运行，因此可以优于机器学习问题的离散特征选择，从而为各种线性建模提供。
