这在某种程度上是贝叶斯意义上的，为您的模型添加了先验知识。根据评论，并不是每个人都会称其为“正则化”。我会，因为它限制了参数不会在整个地方剧烈变化，只是以不同于（比如）L1 或 L2 正则化的方式。

这什么时候有意义？任何时候我们确定回归系数应该是正的，但由于涉及的不确定性，一个无约束的模型可能适合一个负的模型。例如：

• 正如seanv507 所写，如果我们想根据总成本和商品数量来估算商品价格，那么采用正价格是有意义的。
• 我做零售销售预测。我们通常将促销效应限制为正，将价格影响限制为负。
• 同样，您可能会产生自相残杀效应，这通常是非常嘈杂的，因此是任何类型正则化的主要候选者。如果可口可乐有促销活动，我们预计百事可乐的销量会下降，因此在包含可口可乐促销活动的百事可乐销量模型中，我们会将这些系数限制为负数（或至少为非正数） .

是的，通常你可以证明系数的相反符号是可能的。但是，这通常涉及相当曲折的逻辑，并且您经常会发现在绝大多数情况下，约束参数会产生更好的模型和预测，即使您总是会发现可以从不受约束的参数中获利的孤立案例。