正規化 vs 正則化
Normalization vs Regularization
正規化 側重 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。，而 正則化 側重 正則化是一種在機器學習中用於防止模型過度擬合的關鍵技術，它透過在損失函數中引入懲罰項，有效限制模型參數的複雜度，從而提升模型的泛化能力。。
逐項比較
| 項目 | 正規化 | 正則化 |
|---|---|---|
| 一句定義 | 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。 | 正則化是一種在機器學習中用於防止模型過度擬合的關鍵技術，它透過在損失函數中引入懲罰項，有效限制模型參數的複雜度，從而提升模型的泛化能力。 |
| 比喻 | 正規化就像把所有參賽者的「實力值」都換算成相同的標準單位 -- 不管你原本是「100公斤的力氣」還是「1000瓦特的功率」，都轉換成一個相對值，這樣大家才能公平比較，不會因為單位不同而產生偏差。 | 正則化就像給一個想學很多東西的學生設定「學習上限」 -- 鼓勵他學習，但如果他學得太細太鑽牛角尖（過度擬合），就會給他一點「懲罰」，讓他把重點放在大方向上。 |
| 常見標籤 | 機器學習、資料處理、特徵工程、模型訓練、模型評估、Python程式、數學基礎、iPAS中級 | 機器學習、模型訓練、最佳化、統計方法 |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | 正規化和標準化一樣嗎？ | L1 和 L2 有什麼不同？ |