正则化(Regularization)是机器学习中的一种技术，用于防止模型过度拟合(Overfitting)训练数据。在训练机器学习模型时，模型可能会在训练数据上表现得非常好，但在新数据上表现不佳，这种情况称为过度拟合。

　　正则化通过在模型的损失函数中引入惩罚项来控制模型的复杂度，以避免过度拟合。惩罚项会惩罚模型中的大型权重或复杂的模型结构，使模型倾向于选择更简单的解决方案。

　　在线性回归中，常见的正则化方法有岭回归(Ridge Regression)和Lasso回归(Lasso Regression)。岭回归通过在损失函数中添加L2范数惩罚项，限制权重的平方和，从而降低模型的复杂度。而Lasso回归则通过在损失函数中添加L1范数惩罚项，使得权重的绝对值之和尽可能小，可以促使一些权重变为0，从而实现特征选择。

　　正则化在机器学习中具有重要的作用，它可以提高模型的泛化能力，使得模型在新数据上表现更好，同时还能减少特征间的相关性和噪声的影响。