根据上一篇文章可知，根据梯度下降法可以求出参数，但是求出的参数就是最好的模型呢？我也不知道，咱们下面看看一个问题
如果当给定的数据线性可分的时候，逻辑回归的参数会趋于无限大吗？
那么我们来看看，上面的假设是否成立。
由目标函数可知：
由第一个式子可知，要想y=1的概率趋向于1，那么W^tx+b就会趋向于无穷大，那么w就会趋向于无穷大，所以我们的假设是成立的
当参数无穷大，管理者就会趋向1，结果虽然很完美，但是会出现过拟合现象
那么就要限制参数变得太大，添加L2正则。
为什么添加L2正则呢？个人的理解是
1、L1正则化会导致参数值变为0，但是L2却只会使得参数值减小
2、在机器学习中也将L2正则称为weight decay，在回归问题中，关于L2正则的回归还被称为Ridge Regression岭回归。weight decay还有一个好处，它使得目标函数变为凸函数，梯度下降法和L-BFGS都能收敛到全局最优解。
那么添加正则后的目标函数是：
假如|w|很大=》lamda|w|就会变得很大
lamda是超参数
a：if lamda=0时，没有任何限制
b：if lamda=很大时，w变的更小，解决过拟合
c：if lamda=很小时时，w变得更大，会出现欠拟合
那么加上正则的梯度下降法的导数函数：
1、BGD
2、SGD
接下来看看L1和L2正则。
