L2säännöllistämällä

L2säännöllistämällä viittaa menetelmään koneoppimisessa, erityisesti lineaarisissa malleissa, jossa mallin suorituskykyä pyritään parantamaan lisäämällä rangaistustermi mallin kustannusfunktioon. Tämä rangaistustermi perustuu mallin painokertoimien L2-normiin. L2-normi lasketaan siten, että kaikki mallin painokertoimet neliöidään ja summataan. Tämän jälkeen tämä summa kerrotaan säännöllistämisparametrilla, jota usein merkitään lambdalla (λ).

Tavoitteena L2säännöllistämisellä on estää mallin ylisovittumista eli sitä, että malli oppii harjoitusdatan liian hyvin ja menettää kyvyn yleistää uuteen, näkemättömään dataan. Painokertoimien suuret arvot voivat johtaa ylisovittumiseen, ja L2-säännöllistäminen kannustaa mallia käyttämään pienempiä painokertoimia. Tämä tekee mallista yksinkertaisemman ja vähemmän herkän yksittäisille harjoitusdatan ominaisuuksille. L2säännöllistäminen tunnetaan myös nimellä Ridge Regression tai painojen hajautus. Se vähentää mallin herkkyyttä datan pienille muutoksille ja voi parantaa sen robustisuutta. Säännöllistämisparametrin λ arvon valinta on tärkeää, sillä liian pieni arvo ei riitä estämään ylisovittumista, kun taas liian suuri arvo voi johtaa aliosovittumiseen, jossa malli on liian yksinkertainen eikä pysty oppimaan datan olennaisia piirteitä.