AITerms 登入
機器學習模型訓練模型評估

泛化能力(Generalization)是什麼?

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。

完整定義

泛化能力是機器學習模型的核心目標。一個好的模型不僅要在訓練數據上表現良好,更重要的是能夠在未見過的數據上也能做出準確的預測。泛化能力強的模型能夠捕捉到數據中的本質規律,避免過度擬合訓練數據,從而更好地適應新的、未知的數據。

快速摘要

搜尋意圖:如果你在找「Generalization 是什麼」、「泛化能力怎麼判斷」或「和 Overfitting 差在哪」,先抓住一件事:它看的是模型離開訓練資料後還能不能維持表現。

重點:Generalization 指模型把訓練時學到的規律帶到未見資料上,仍然做出合理預測的能力。訓練分數高不代表泛化好,關鍵要看驗證集、測試集或新情境資料是否也穩定。

實用情境:適合用在理解模型上線後為什麼變差、交叉驗證在做什麼,以及 iPAS 情境題為什麼常把泛化和過擬合放在一起考。

下一步:先對照 Overfitting,再回頭看 RMSE、IoU 這類評估指標,會更容易理解「模型表現」到底是在量什麼。

白話說明

你有沒有看過模型在練習題很強,一換新題就掉分?

你可以把泛化能力想成模型把學到的規則用到沒看過資料上的本事,而不是只會背訓練集。

它重要,是因為真正上線後遇到的資料,幾乎都不會和訓練集一模一樣。

記住這句

新資料也能做對,才叫真的學會。

比喻:泛化能力就像一個聰明的學生,不是死記硬背課本 -- 他能把學到的原理應用到各種沒見過的新題目上,舉一反三,而不是只會考卷上出現過的題目。

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。

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。

演算法與應用

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。

中文
泛化
英文
generalization
意思
模型在沒看過的資料上也能表現穩定的能力
中文
泛化能力
英文
generalization ability
意思
同上,強調這是模型的一種能力
中文
泛化誤差
英文
generalization error
意思
模型在整個資料分布上的期望誤差
中文
泛化差距
英文
generalization gap
意思
訓練誤差與測試誤差的差距
中文
泛化性
英文
generalizability
意思
常見於論文,指結論能不能推廣

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。

常見比較

常見問題

範例考題

資料科學團隊在模型訓練前,需對數值特徵進行正規化(Normalization)或標準化(Standardization)。為確保模型評估結果具真實性並避免資料洩漏(Data Leakage),下列何者為最適當的作法?

  1. A於資料分割前,先對完整資料集計算統計量並進行標準化處理
  2. B先分割訓練資料(Training Data)和測試資料(Test Data),並各自獨立計算統計量後進行標準化
  3. C先分割訓練資料(Training Data)和測試資料(Test Data),僅以訓練資料計算統計量,再套用至測試資料
  4. D僅對訓練資料(Training Data)進行標準化處理,測試資料(Test Data)保持原始數值
到題目頁作答

某零售企業在建置機器學習模型預測顧客購買機率時,資料同時包含大量稀疏類別特徵與數值型特徵。團隊希望模型既能學習過去已出現的特徵組合規律,也能對未出現的特徵組合做出合理預測。下列哪一種模型架構最適合此類需求?

  1. A線性迴歸(Linear Regression)
  2. B決策樹(Decision Tree)
  3. C支援向量機(Support Vector Machine, SVM)
  4. D寬深模型(Wide and Deep)
到題目頁作答

出現在這些考古題

官方公告試題的逐題解析裡,這 4 題把泛化能力列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

延伸學習

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本