Machine_Learning文件夹的代码主要是《机器学习实战》，我将其转化为了3.6版本
Summary文件夹是我在学习机器学习中，对不同算法的一个总结
- L1正则化可以产生稀疏权值矩阵，即产生一个稀疏模型，可以用于特征选择
- L2正则化可以防止模型过拟合（overfitting）；一定程度上，L1也可以防止过拟合
具体解释可以见这篇文章
另外这篇文章用另外的方法介绍了两者的区别和联系
- 提高收敛速度，若不采用归一化，模型很难收敛甚至不收敛。
- 归一化有可能提高模型的精度。
- 归一化的类型:1.线性归一化（即减去最小值然后除以范围）（适合数据比较集中的情况）；2.z分数归一化（即0均值）（经过处理的数据符合正太分布）；3.非线性归一化（利用数学函数进行映射）（适合数据分化比较大的场景）
感谢这位博主
还有这篇文章，讲得也比较清楚
防止过拟合的方法有：
- 引入正则化
- dropout（常用于神经网络，随机抛弃部分神经元）
- 提前终止训练
- 增加样本数量