[success]
欠约束问题也称欠定问题，指有无穷多解的问题。
欠定问题会导致一些常用的方法变得不可用，可以使用正则化来解决欠定问题。

在某些情况下，为了正确定义机器学习问题，正则化是必要的。

[success]
欠定问题1：$X^\top X$是奇异矩阵
问题表现：许多算法如线性回归和PCA，都依赖对矩阵$X^\top X$求逆。如果$X^\top X$是奇异的，这些方法算法都会失效。
正则化的解决方法：$X^\top X + aI$

机器学习中许多线性模型，包括线性回归和PCA，都依赖于对矩阵$X^\top X$求逆。 只要$X^\top X$是奇异的，这些方法就会失效。 当数据生成分布在一些方向上确实没有差异时，或因为例子较少（即相对输入特征的维数来说）而在一些方向上没有观察到方差时，这个矩阵就是奇异的。 在这种情况下，（人们往往使得）正则化的许多形式对应求逆$X^\top X + \alpha I$。 （因为）这个正则化矩阵可以保证是可逆的。

[success]
欠定问题2：问题没有闭式解可能是欠定问题
问题表现：例如感知机中的w，如果w实现完美可分，那么2w会以更高似然实现完美可分，迭代算法会持续增加w，算法将不会收敛。
正则化的解决方法：例如限制||w||=1

相关矩阵可逆时，这些线性问题有闭式解。 没有闭式解的问题也可能是欠定的。 一个例子是应用于线性可分问题的逻辑回归。 如果权重向量$w$能够实现完美分类，那么$2 w$也会以更高似然实现完美分类。 类似随机梯度下降的迭代优化算法将持续增加$w$的大小，理论上永远不会停止。 在实践中，数值实现的梯度下降最终会达到导致数值溢出的超大权重，此时的行为将取决于程序员如何处理这些不是真正数字的值。

大多数形式的正则化能够保证应用于欠定问题的迭代方法收敛。 例如，当似然的斜率等于权重衰减的系数时， 权重衰减将阻止梯度下降继续增加权重的大小。

[warning] [?][?] 这一段看不懂

使用正则化解决欠定问题的想法不局限于机器学习。 同样的想法在几个基本线性代数问题中也非常有用。

[success]
欠定问题3：欠定线性方程组
问题表现：方程组有无穷多解
正则化的解决方法：Moore_penrose

正如我们在\secref{sec:the_moore_penrose_pseudoinverse}看到的，我们可以使用\ENNAME{Moore-Penrose}求解欠定线性方程。 回想$X$伪逆$X^+$的一个定义：
$\begin{aligned} X^+ = \lim_{\alpha \searrow 0} (X^\top X + \alpha I)^{-1}X^\top. \end{aligned}$

现在我们可以将\secref{eq:729pseudo}看作进行具有权重衰减的线性回归。 具体来说，当正则化系数趋向0时，公式7.29是公式7.17的极限。

[success]
公式7.17

因此，我们可以将伪逆解释为使用正则化来稳定欠定问题。