随机梯度下降（SGD）在实践中表现出强大的算法正则化效率，该算法在现代机器学习方法的概括中起着重要作用。在这项工作中，我们试图在线性回归的更简单设置（包括众多和参数化的政权）中理解这些问题，我们的目标是对（未注册）平均SGD与Ridge Regres-Sion的显式正规化提供（未注册的）平均SGD的隐性正规化比较。对于一系列最小二乘问题实例（在高维度中是自然的），我们显示：（1）对于每个问题实例和eviry Ridge参数（（未进行定制）SGD），当在对数上提供的样品提供的样本比提供给山脊算法更糟糕的ridge songe（提供的常量）的样本（概括）不变的步骤（概括了SGD的常数）（概括） （2）相反，存在最佳调整的山脊回归需要的样本比SGD更多的样本以具有相同的概括性能。总的来说，我们的结果表明，到对数因素，SGD的概括性能总是不比Ridge回归的多种过度参数化的问题差，实际上，对于某些问题实例来说可能会更好。更普遍地，我们的结果表明，即使在更简单（过度参数化）凸设置中，算法正则化如何产生重要的后果。