正則化是一種用於最佳化模型性能的技術，特別是在機器學習和統計學中，其目的是通過在模型中引入先驗知識來控制過擬合。
正則化通過在模型的損失函式中添加額外的項來實現，這個額外的項可以是對模型參數的懲罰，比如L1懲罰（產生稀疏解）或L2懲罰（產生較小的權重值），從而迫使模型更加簡單和平滑。這樣不僅可以提高模型的泛化能力，還可以避免模型在訓練集上的過度表現，而在測試集上表現不佳。
在更廣泛的數學和統計學領域，正則化被用來解決不適定問題，這些問題通常由具有大條件數的線性代數方程組定義。在這些情況下，正則化通過引入額外的信息或約束來穩定問題的解，從而減少誤差對解的影響。