正则化惩罚项：
原先的回归算法算出的$\Theta _{1}...\Theta _{10}$
如果有2个模型A，B
A有$\Theta _{1}...\Theta _{10}$
B也有$\Theta _{1}...\Theta _{10}$
如果两个recall值都是90%，但是分布不同
模型的参数浮动的范围越小，过拟合的程度也就越小，过拟合的意思就是在训练集表现的很好，在测试集表现很差，
过拟合是一种非常常见的现象，我们总是希望得到B模型
如何得到B模型？
引入正则化惩罚项，大力度惩罚A的θ，小力度惩罚B的θ
L2正则化：
我们的损失函数（LOSS）应该是越低越好
$L_{2}=LOSS+\frac{1}{2}W^{2}$
W表示θ的浮动程度
L1正则化：
$L_{1}=LOSS+\frac{1}{2}\left | W \right |$
在$L_{1}，L_{2}$前加入λ或者C
$\lambda L_{1},\lambda L_{2}$
表示惩罚力度，0.1、1、10、100
混淆矩阵：
X轴表示预测值
Y轴表示真实值
此矩阵对应于之前的recall值的分析图
TP = 137
FN = 10
则recall = 137/147 = 0.932
那么在原始数据集上的混淆矩阵是