L2正则化（也称为权重衰减）是一种用于减少机器学习模型过拟合的技术，它通过向损失函数添加权重的平方和来约束模型的复杂度。以下是L2正则化的伪代码示例：

Input:
    X: 训练数据集的特征向量
    y: 训练数据集的标签
    lambda: 正则化参数

Procedure:
    1. 初始化模型参数 w
    2. 进行迭代训练，直至满足停止条件：
        a. 使用当前参数 w 计算模型的预测值 y_pred
        b. 计算损失函数 L = 损失函数(y_pred, y) + lambda * ||w||^2
        c. 计算损失函数对参数 w 的梯度 grad_L
        d. 更新参数 w = w - learning_rate * grad_L

Output:
    训练好的模型参数 w

在上述伪代码中，损失函数可以是任何适合任务的损失函数，比如均方误差（MSE）损失函数或交叉熵损失函数。lambda是正则化参数，控制正则化项在损失函数中的权重，通常通过交叉验证来选择最优的lambda值。||w||^2表示参数 w 的L2范数的平方和，用来惩罚模型参数的大小。

在每次参数更新时，通过添加lambda * ||w||^2来惩罚参数的大小，从而防止模型过度拟合训练数据。这样可以使得模型更加泛化，对未见过的数据表现更好。