L2säännöllöinnissä
L2-säännöllöinti, tunnetaan myös nimellä Ridge-regressio tai Tikhonov-säännöllöinti, on menetelmä koneoppimisessa ja tilastotieteessä, jota käytetään yleistyskyvyn parantamiseen ja ylisovittamisen (overfitting) estämiseen regressiomallissa. Se on muunnelma tavallisesta pienimmän neliösumman regressiosta.
Ydinidea L2-säännöllöinnissä on lisätä mallin kustannusfunktioon (loss function) termi, joka rankaisee suurista mallin parametrien (painokertoimien) arvoista.
Matemaattisesti L2-säännöllöity kustannusfunktio on muotoa: J(θ) = MSE(θ) + λ * Σ(θ_i)^2, missä MSE(θ) on tavallinen keskineliövirhe, θ ovat mallin painokertoimet
L2-säännöllöinnin vaikutuksesta painokertoimet pienenevät kohti nollaa, mutta ne eivät yleensä tule täsmälleen nollaksi. Tämä johtaa sileämpiin