L2正则项的影响 加入L2正则项是为了减少模型过拟合 L=loss+lambda*w^2/2
那么为什么L2可以防止过拟合呢？ 先从公式入手，我们的目标就是为了让损失函数最小， 也就是让最初的loss和加入的正则项都要达到最小 我们假想原来的loss有个最优点，添加的正则项是正的， 而且它的空间表示应该是原点周围的正的空间图形 防止过拟合是要将参数的变化范围减小，将参数变小
这里为什么参数范围小会防止过拟合呢？ 假想平面存在一系列散点，我们要拟合一条曲线去符合它， 只要我们的参数w无任何限制，我们肯定能够找出一条直线能够 拟合所有的点，但是这样会把所有噪音也会拟合进去，所以就要减少拟合效果 那么我们就要减少参数w的变化区间，将w变小 w变小会减少个别噪音的影响，假想有一列特征， 其中有一个值非常大，那么如果我们的参数w也很大的话就会 对模型造成影响，而如果此时参数很小的话，模型对异常值也不会很敏感。 综上，我们就要减少参数的变化范围，将w的值变小
想一下空间图形，如果要减小模型参数，那就要将最优点向原点拉，也就是靠近正则项， 但是此时会出现一个问题，loss的损失会变大，而正则项会变小，但此时整体效果是下降的， 因为在最优点附近，移动值变化很小，而正则项的变化很大，也就是现在是往全局最小的趋势
但是一旦过了一定点，那么正则项下降就会不明显，而原loss上升的就会非常快， 此时模型损失就会上升 所以要找到一个边界来平衡两个损失，使最终的损失达到最小 添加正则项的目的就是将模型的参数向原点拉，但不要拉取过大，否则得不偿失
