MATLAB中有哪几种常用的正则化方法？

在MATLAB中，常用的正则化方法主要有以下几种：

1. **L1正则化**（Lasso Regression）：L1 norm作为惩罚项，会使得一些系数变为0，实现特征选择，常用于高维数据的降维和稀疏表示。

2. **L2正则化**（Ridge Regression或Tikhonov Regularization）：L2 norm作为惩罚项，能够防止过拟合但不会让系数完全消失，更适用于连续预测任务。

3. **Elastic Net**：结合了L1和L2正则化，既保持了L1的稀疏性又避免了过度压缩。它有一个介于0和1之间的调节参数α，可以调整两者之间的权重。

4. **早停法**（Early Stopping）：不是直接的正则化，但用于决策树、神经网络等深度学习模型训练过程中，通过监控验证集性能停止训练，防止过拟合。

5. **Dropout**：是一种基于概率的正则化策略，对于神经网络，会在每次训练迭代时随机“关闭”一部分神经元，强迫网络学习到更为鲁棒的特征表示。

6. **Batch Normalization**：虽然不是传统意义上的正则化，但它对每一层输入进行标准化，减少了内部协变量偏移，提高了训练速度并改善了模型性能。

以上是在机器学习和深度学习中常见的正则化方法，每个都有其特定的应用场景和优缺点。