正規化 是什麼？

Normalization：正規化 的完整解釋

正規化是一種資料前處理技術，將資料縮放到一個單位範數，例如L1或L2範數，使每個樣本的向量長度為1。

容易混淆

正規化 vs 標準化 正規化：把每個樣本縮到固定範數 標準化：把特徵拉成平均 0、標準差 1 最關鍵的區別：先看它是在比什麼，再看它怎麼做。

正規化 vs 特徵縮放 正規化：通常處理樣本向量 特徵縮放：通常處理欄位數值範圍 最關鍵的區別：先看它是在比什麼，再看它怎麼做。

記住這句就好

把每個樣本縮到差不多長。

實際案例

文本向量 把長短不同的文件向量正規化，方便比較相似度。

影像特徵 在某些嵌入模型裡，正規化後距離比較有意義。

算法與應用

L1 和 L2 正規化最常見，前者偏稀疏，後者更平滑。 它常和餘弦相似度、向量檢索、以及度量學習搭配。 如果你的模型很怕向量長度影響結果，正規化通常很有用。

中英對照與常見說法

最後一列是最常見的誤譯。正規化（normalization）與正則化（regularization）中文只差一個字，英文完全不同，目的也不同。正規化處理的是數值尺度，正則化處理的是模型複雜度。看到「L2 正規化」多半是誤譯，原文應該是 L2 regularization。

公式與什麼時候該用哪一種

最小最大正規化 x' = (x − min) / (max − min) 結果落在 0 到 1。適合需要固定範圍的場合，例如影像像素值、要餵進有界激活函數的輸入。缺點是對離群值極度敏感，一筆極端值就會把其他資料全部壓扁到很小的區間。

標準化（Z 分數） x' = (x − μ) / σ 結果平均 0、標準差 1，沒有固定上下界。對離群值穩健得多，是多數機器學習模型的預設選擇，尤其是線性回歸、邏輯回歸、支援向量機、主成分分析這類跟距離或梯度有關的模型。

判斷方式：不確定就先用標準化。只有在明確需要有界輸出，或資料本身就有天然上下限時，才用最小最大正規化。

還有一個常被忽略的紀律：縮放參數（min、max、平均、標準差）只能從訓練集算，然後套用到驗證集與測試集。用全部資料一起算會讓測試集的資訊洩漏進訓練流程，評估數字會虛高。

情境判斷

Q1（直覺題）：兩篇文件長度差很多，但你只想比較語意方向，該做什麼？ → 正規化，讓向量長度先統一。

Q2（判斷題）：如果你的特徵本來就有絕對大小意義，還能隨便正規化嗎？ → 要看情況，因為縮掉大小可能也把有用訊號一起拿掉。

常見問題

正規化和標準化一樣嗎？

不一樣，目標和處理對象都不同。

它一定能提升模型嗎？

不一定，要看任務是否真的需要控制向量長度。

L1 和 L2 怎麼選？

看你要不要稀疏表示，以及對離群值敏感不敏感。