|}
На Рис 1. представлена зависимость, которая хорошо подходит для описания данных, а на Рис. 2 {{---}} модель , слишком сильно заточилась заточенная под обучающую выборку.
Одним Однин из способов бороться с этим негативным эффектом излишнего подстраивания под данные {{---}} использовать регуляризациюиспользование регуляризации, т. е. добавлять некоторый штраф добавление некоторого штрафа за большие значения коэффициентов у линейной модели. Тем самым мы запретим запрещаются слишком "резкие" изгибы и ограничим возможность подстраивания модели под данныепредотвращается переобучение.
===На примере [[Логистическая регрессия | логистической регрессии]]===
