机器学习中常用的正则化方法包括 L1正则化，L2正则化，弹性网络等。
L1正则化，又称为Lasso正则化，通过在损失函数中增加L1范数惩罚项，使得模型的系数向稀疏化倾斜，即使得一部分系数变为0，从而实现特征选择的效果。
L2正则化，又称为Ridge正则化，通过在损失函数中增加L2范数惩罚项，使得模型的系数向零缩小，从而减小模型的复杂度，防止过拟合。
弹性网络，是L1正则化和L2正则化的结合体，同时拥有L1正则化和L2正则化的优点。
除此之外，还有一些正则化方法，如 Dropout，数据增强等，它们通过随机删除神经元或增加数据样本来减小模型的过拟合风险。