Regularisering är en teknik som används inom maskininlärning för att förhindra överanpassning (overfitting). Överanpassning uppstår när en modell passar träningsdata för väl men presterar dåligt på ny, osedd data, ofta på grund av överdriven komplexitet. Regularisering fungerar genom att lägga till en 'komplexitetsterm' till modellens förlust-/kostnadsfunktion, vilket straffar modeller med för många parametrar eller hög komplexitet. Regulariseringsparametern (λ - lambda) styr styrkan i denna bestraffning; ett optimalt λ balanserar anpassningen till träningsdata och undvikandet av komplexitet.