尝试

在原来的代价函数上添加部分惩罚内容，驱使参数 和 都非常小

此时，算法为了代价函数最小不得不迫使参数 和 都非常小，就好像直接去掉了两个参数

思想

简化参数模型
使得不容易出现过拟合现象

但是在众多特征值中，并不知道哪一个的影响性最小，无法针对性的调整参数
因此在代价函数后面添加了正则项，来缩小每个参数的数值

注意这里的 θ 是从 1 开始的，并没有给 添加惩罚项
约定俗成，实际上包含或不包含影响不大
目标函数可以分成两个部分
目标一：拟合，使得代价函数最小
目标二：正则化，使得模型参数较小
λ：正则化参数，意义是控这制两个不同目标之间的平衡

正则化后的曲线，不是二次函数，但会更加的平滑

参数

对模型参数的惩罚程度太大，导致除了，所有的模型参数接近于0
导致

用一条直线拟合数据（偏见性太强）
造成欠拟合