正则化的提出，是因为要解决overfitting的问题。
以Linear Regression为例：低次多项式拟合的效果可能会好于高次多项式拟合的效果。
这里回顾上上节nonlinear transform的课件：
上面的内容说的是，多项式拟合这种的假设空间，是nested hypothesis；因此，能否想到用step back的方法（即，加一些constraints的方法把模型给退化回去呢？）
事实上，是可以通过加入constraint使得模型退化回去的；但是，再优化的过程中涉及到了“判断每个wq等于0的”问题，这种问题有点儿类似PLA的求解过程。
类比一下，这是一个NP-hard的问题，即不好求解。那么能不能换一种方式，让求解变得容易些呢？
让求解变得容易的方法是，改变约束条件。假设空间变成了regularized hypothesis Wreg。
上述内容，是通过几何角度分析：满足约束条件的最优解，Wreg应该与梯度的负方向一样。
这样optimal solution就可以求出来了；有个别名叫岭回归。
上述的过程，主要请出了前人的智慧“拉格朗日乘子”，目的是把有约束的优化问题转化为无约束的优化问题。
上面是用几何意义想出来的最有的Wreg，下面还原到初始的目标优化函数：
这里引出来了augmented error的概念；因为Ein是square的，W'W也是正的，所以lambda也是设成是正的（由于lambda是正的，因此在优化求解的时候，可以保证W'W不能太大）。用这个方法可以对模型复杂度进行惩罚，并且把有约束的问题转化为无约束的问题。
这里的关键在于如何选取lambda
lambda越大，倾向于w越短；这种方式可以平移到很多线性模型中（只要是square error的）；由于这种regularization的作用是缩短W的长度，因此也叫weight-decay regularization。
接下来，从更一般的角度讲解了regularization
正则化分三种类型
（1）特殊目标驱动正则化：比如，缩减偶次项Wq²
（2）为了平滑（ 尽量少够到一些stochastic/deterministic noise ）：例如 L1 regularizer
（3）易于优化：如L2 regularizer
感觉这里对L1 L2 regularizer讲解的比较弱，搜了一篇日志（http://blog.csdn.net/zouxy09/article/details/24971995），对L1和L2 regularizer讲解的不错。