泛化能力 是什麼？

Generalization：泛化能力 的完整解釋

泛化能力是指機器學習模型在未見過的數據上表現良好的能力。一個具有良好泛化能力的模型能夠從訓練數據中學習到普遍規律，並應用於新數據。

容易混淆

泛化能力 vs 過擬合 過擬合是只會記訓練資料。 泛化能力是遇到新資料也能表現穩。

泛化能力 vs 欠擬合 欠擬合是連訓練資料都學不好。 泛化能力好，代表學到的是可延伸的規律。

記住這句就好

新資料也能做對，才叫真的學會。

實際案例

圖像分類 模型在訓練集很高分，但換到新拍的照片就錯很多，代表泛化不足。

文本分類 在舊新聞上準，不代表遇到新詞、新事件時還能穩，這就是泛化能力要檢查的地方。

算法與應用

評估泛化能力最常看驗證集、測試集和交叉驗證。 提升方法常包含更多資料、正則化、特徵工程、資料清理和模型簡化。

中英對照與常見說法

中國大陸的教材寫作「泛化」，用字與台灣相同。要注意的是「一般化」在數學裡是另一個意思，討論模型時不要混用。

怎麼看出泛化出了問題

判斷方法只有一個，看訓練集與驗證集的誤差差距，也就是泛化差距。

差距很小，但兩邊誤差都高。 模型能力不足，欠擬合。這時該做的是換更大的模型或加特徵，不是加資料。

訓練誤差很低，驗證誤差高很多。 過擬合，模型背下了訓練資料的雜訊。這時該做的是加資料、加正則化、提早停止或用 dropout。

兩邊都低，但上線後掉下來。 這通常不是泛化問題，而是資料分布偏移（distribution shift），線上資料跟訓練資料本來就不是同一個分布，要回頭檢查取樣方式。

只看單一數字沒有意義，泛化永遠是比較出來的。

情境判斷

Q1：如果模型訓練分數高、測試分數低，通常先懷疑什麼？ → 常先懷疑過擬合，也就是泛化能力不足。

Q2：如果訓練分數和測試分數都很低，問題還只是泛化嗎？ → 不一定，這時更可能是欠擬合或資料本身不足。

常見問題

泛化能力可以直接量化嗎？

可以，通常看未見資料上的表現差距。

資料越多就一定泛化越好嗎？

不一定，資料品質和代表性也很重要。

正則化為什麼常被提到？

因為它能抑制過度擬合，幫助泛化。

遷移學習能幫助泛化嗎？

常可以，尤其當目標資料少時。