解释在回归模型中如何使用正则化，以及为什么可能需要正则化。

Explain how to use regularization in a regression model and why it might be necessary.

题目类型: 技术面试题

这是一道技术面试题，常见于澳洲IT公司面试中。

难度: medium

分类: problem-solving

标签: Regularization, L1, L2, Overfitting

参考答案摘要

答案 正则化（L1/L2）会在损失函数中加入惩罚项（penalty），抑制模型变得过于复杂，从而降低过拟合风险。 L1（Lasso） ：倾向产生稀疏解，能把部分系数压到 0（可用于特征选择）。 L2（Ridge） ：平滑地缩小系数，常用于缓解多重共线性（multicollinearity）。 当存在共线性、噪声较大、特征维度高、或需要防止过拟合并提升泛化能力时，正则化尤其必要。

本题提供 STAR 原则详细解答和技术解析，登录匠人学院学习中心即可查看完整答案。