模型开发者通过以下方式来调整正则化项的整体影响：用正则化项的值乘以名为 lambda（也称为正则化率）的标量。也就是说，模型开发者旨在执行以下操作：
$$\text{minimize(Loss(Data|Model)} + \lambda \text{ complexity(Model))}$$
执行 L2 正则化会对模型产生以下影响
- 使权重值接近于 0（但并非正好为 0）
- 使权重的平均值接近 0，并且呈正态（钟形或高斯）分布。
增加 lambda 值会增强正则化效果。例如，lambda 值较高的权重直方图可能如图 2 所示。
图 2. 权重直方图。
降低 lambda 的值往往会生成一个更扁平的直方图，如图 3 所示。
图 3. 由较低的 lambda 值生成的权重直方图。
选择 lambda 值时，目标是在简单性和训练数据拟合之间取得适当的平衡：
如果 lambda 值过高，则模型会非常简单，但是您将面临数据欠拟合的风险。模型将无法从训练数据中获得足够的信息来做出有用的预测。
如果 lambda 值过低，则模型会比较复杂，并且您将面临数据过拟合的风险。您的模型将了解过多训练数据的特殊性，无法泛化到新数据。
理想的 lambda 值生成的模型可以很好地泛化到以前未见过的新数据。遗憾的是，理想的 lambda 值取决于数据，因此您需要手动或自动进行一些 调整。