对于这个问题，我们需要分析 Ridge 和 Lasso 回归算法的特性。以下是每个选项的解释：

A: **Ridge与Lasso是对参数的一种惩罚**
- **正确**。Ridge 和 Lasso 都是线性回归的正则化版本，加入了惩罚项以防止过拟合。Ridge 使用的是 \( L2 \) 正则化，而 Lasso 使用的是 \( L1 \) 正则化。

B: **使用Ridge可以发觉数据当中多重共线性的存在**
- **正确**。Ridge 回归通过 \( L2 \) 正则化来减小系数的大小，从而可以有效地处理多重共线性的问题，但并不能直接“发觉”多重共线性。

C: **使用Lasso可以做特征提取**
- **正确**。Lasso 回归的 \( L1 \) 正则化可以使某些特征的系数缩小到零，因此可以用来进行特征选择或特征提取。

D: **使用Lasso的化，惩罚度越大，越好**
- **错误**。过大的惩罚可能会导致模型过于简单，甚至忽略了重要的特征，导致欠拟合。因此，惩罚度需要通过交叉验证等方法进行选择，以在偏差和方差之间取得良好平衡。

因此，正确答案是：**A、B、C**。

以下是对 Ridge 和 Lasso 的基本特性对比，以帮助更好理解：

| 特性 | Ridge (L2 正则化) | Lasso (L1 正则化) |
|---------------|------------------------------------|-----------------------------------|
| 惩罚类型 | 二次惩罚项，所有系数缩小 | 一次惩罚项，部分系数缩小到零 |
| 应用场景 | 适用于多重共线性 | 适用于特征选择 |
| 特征选择能力 | 无法选择特征，所有特征都保留 | 可以选择特征，部分系数为零 |
| 解的唯一性 | 解是唯一的 | 解可能不是唯一的 |
| 计算复杂度 | 较低 | 较高（尤其是高维数据） |

通过以上对比和解释，可以更深入理解这些正则化技术在机器学习中的应用和意义。