首先述說什么是正則化，
正則化是結構風險最小化策略的實現，是在經驗風險上加上一個正則項(regularizer)或罰項(penalty term)。是模型選擇的典型方法。正則化項一般是模型復雜度的單調遞增函數，模型越復雜，正則化值越大。比較常用的正則化項有模型參數向量的范數，l1-norm、l2-norm......
第1項經驗風險較小的模型可能比較復雜（非零參數多），這是第2項的模型復雜度會較大。正則化的作用是選擇經驗風險與模型復雜度同時較小的模型。
用奧卡姆剃刀原理解釋：在模型選擇時，能夠很好地解釋已知數據並且十分簡單的模型才是應該選擇的模型。
從貝葉斯估計角度來看：正則項對應於模型的先驗概率，可以假設復雜的模型具有較小的先驗概率，而簡單的模型具有加大的先驗概率。（類似奧卡姆剃刀解釋）
---《統計學習方法》
正則化的理解：
正則化就是對最小化經驗誤差函數上加約束，這樣的約束可以解釋為先驗知識(正則化參數等價於對參數引入先驗分布)。
約束有引導作用，在優化誤差函數的時候傾向於選擇滿足約束的梯度減少的方向，使最終的解傾向於符合先驗知識(如一般的l-norm先驗，表示原問題更可能是比較簡單的，這樣的優化傾向於產生參數值量級小的解，一般對應於稀疏參數的平滑解)。
同時正則化，解決了逆問題的不適定性，產生的解是存在，唯一同時也依賴於數據的，噪聲對不適定的影響就弱，解就不會過擬合，而且如果先驗(正則化)合適，則解就傾向於是符合真解(更不會過擬合了)，即使訓練集中彼此間不相關的樣本數很少。
正則化大概有兩個功能：
1，從模型修正上看，起了一個trade-off作用，用於平衡學習過程中兩個基本量，名字諸如bias-variance、擬合能力-泛化能力、損失函數-推廣能力、經驗風險-結構風險等等；
2，從模型求解上看，正則化提供了一種唯一解的可能，眾所周知，光用最小二乘擬合可能出現無數組解，加個L1或L2正則化項能有唯一解，即不適定性