机器学习和深度学习中，L2正则化为什么能防止过拟合？

正则化是为了降低模型的复杂度，模型过于复杂，则过拟合；

与傅里叶变换类似，高频的部分表示细节，尽量减少高频部分的影响；

傅里叶级数也是，高阶表示细节；

当阶数较高时，在不降低拟合结果的前提下，降低高阶项的系数；

高阶部分的系数会很小，但不一定是0，所以用0-范数不合适，用1-范数或2-范数。

对于多项式拟合，也可以用稀疏编码来解释，这里的基向量就是{}，找出一组系数{}，使得系数{}的大多数项都是0或接近于0，只有少数项远大于0. 低阶项表示多项式的大概形状，高阶项表示细节，高阶项的系数就比较小。

深度学习中，正则化是在保证损失函数比较小的前提下，权重参数的总和尽量小，这样只是提取某个特征的大概信息

参考：https://www.zhihu.com/question/389848505/answer/1179908586

稀疏编码：https://baike.baidu.com/item/%E7%A8%80%E7%96%8F%E7%BC%96%E7%A0%81/10289670?fr=aladdin