1、过拟合-overfitting定义
如果我们设置过多的特征，通过机器学习获得的假设函数将会和实验数据高度重合(成本函数的值将会十分接近于0)，但是这样会使得获得的模型不能较好地预测新的样本数据值，这种问题叫做过拟合问题。通俗地说，就是学习出来的模型不具有良好的“推广”性(generalize)，实用性很差。
2、怎样处理过拟合问题
方法一：
减少特征数量，可以通过手动选择保留哪些特征，或者通过“模型选择”算法来实现特征筛选。
方法二：
归一化-Regularization，这种方法不需要减少特征数量，但是需要减少特征项的大小；归一化对于特征值很多时会取得较好的效果，尤其是各个特征对于结果值都有所贡献的时候。
3、归一化
为了应对过拟合问题，可以通过增加特征项在成本函数中的成本值来克服过拟合问题。例如，假如我们想使得下面的函数更加偏向二次函数：
θ0+θ1x+θ2x2+θ3x3+θ4x4
我们想要减少三次方项 θ3x3和四次方项 θ4x4的影响，同时不将这两项从假设函数中删除，我们可以在成本函数中针对三次方项 θ3x3和四次方项 θ4x4增加两项惩罚项：
在成本函数中增加了两项罚项之后，为了使得最终成本函数最小化，最终参数 θ3和 θ 4 θ4的值必定比较小，从而减小了高次方项的影响，可以缓解过拟合问题。
上述方式的问题在于，给予哪些特征项参数惩罚很难确定，因为很难判断哪些特征项之间有较强的相关性，同时惩罚项的系数确定也是一个问题，系数的选择既不能太大也不能太小。所以有下述通用归一化成本函数：
其中， λ是归一化参数，当λ取值过大时，会造成欠拟合问题，如除了参数 θ0之外，其他参数均取值为0；若 λ取值过小，则不能起到消除过拟合的作用，还是可能出现过拟合问题。
3.1 线性回归归一化
对归一化之后的成本函数使用梯度下降法的流程如下所示：
将归一化项提出来之后可以变为以下的形式：
其中， 1−αmλ项小于1，所以相对于不归一化处理的梯度下降更新式来说，只是将 θ项进行了缩小处理。
使用了归一化的正规方程的形式如下所示：
使用归一化还可以解决矩阵 XTX不可逆的问题，可以证明在 λ大于0的情况下， XTX+λ⋅L是可逆的。
3.2 逻辑回归归一化
对归一化之后的成本函数使用梯度下降法的流程如下所示：
成本函数的表示形式如下所示：
相对于原本的逻辑回归成本函数，上述成本函数多出了最后的归一化项。
