[[FileTập tin:Regularization.svg|frame|Hai hàm màu xanh lá và xanh dương đều xảy ra lỗi mất mát zero trên các điểm dữ liệu. Một mô hình được học có thể chọn hàm màu xanh lá, vì hàm này tổng quát hóa nhiều điểm dữ liệu hơn từ nền tảng phân phối không xác định, bằng cách thích ứng giá trị <math>\lambda</math>, trọng lượng của thuật ngữ chính quy hóa.]]
Trong [[toán học]], [[thống kê]], và [[khoa học máy tính]], đặc biệt là trong [[học máy]] và các [[bài toán ngược]], '''chính quy hóa''' là quá trình thêm thông tin để giải quyết một [[bài toán giả định sai]] hoặc để ngăn chặn [[sự quá khớp]] (overfitting).<ref>{{cite journal |doi=10.1007/978-3-642-20192-9 |title=Statistics for High-Dimensional Data|series=Springer Series in Statistics |year=2011 |last1=Bühlmann |first1=Peter |last2=Van De Geer |first2=Sara |isbn=978-3-642-20191-2 |page=9 |quote=If p > n, the ordinary least squares estimator is not unique and will heavily overfit the data. Thus, a form of complexity regularization will be necessary.}}</ref> Có thể hiểu chính quy hóa là bất kỳ thay đổi nào mà chúng ta tạo ra với một thuật toán học thuật nhằm giảm lỗi tổng quát chứ không phải là lỗi huấn luyện. Chính quy hóa ứng dụng cho các hàm mục tiêu trong các bài toàn tối ưu giả định sai.
<ref>{{chú thích sách|họ 1= Goodfellow |tên 1 = Ian|lk tác giả = David Mumford|họ 2 = Bengio|tên 2 = Yoshua|và tác giả cuối=Aaron Courville|tựa đề = Deep Learning|nhà xuất bản = [[MIT Press]]|series = |năm = 2016|chương = Chapter 5. Machine Learning Basis|trang= 117|doi = |isbn = }}</ref>
