最终的损失函数可以表示为：min f(x;w)+lamada*J(w)
为什么要进行正则化？（可以分为L1、L2正则化，有不同的效果)
控制模型复杂度，避免过拟合[^2]
从统计学或者从实际应用的角度来说还有很多其他原因：
（1）变量选择(目前课题相关，不就是降维么?)
（2）降维
（3）以上是统计学中的说辞，机器学习中，我们比较常说的是，稀疏化
关于正则化项J(w)的选择
L1范数,（其实就是统计学中大名鼎鼎的LASSO）
L2范数的正则项，其实就是岭回归
上面的分析过于笼统，关于L1、L2正则的区别与分析，下面的一篇文章讲的很好：
机器学习中正则化项L1和L2的直观理解