解析：
寬深模型（Wide and Deep）結合了 Wide 部分（記憶已見特徵組合）和 Deep 部分（泛化到未見組合）的優勢，特別適合同時處理稀疏類別特徵和數值型特徵，且能兼顧記憶與泛化能力。
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。
TL;DR： 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。
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。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
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。
常見比較
範例考題
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？
- A. 線性迴歸（Linear Regression）
- B. 決策樹（Decision Tree）
- C. 支援向量機（Support Vector Machine, SVM）
- D. 寬深模型（Wide and Deep） ✓ 正確答案
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？
- 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
- 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
- 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 ✓ 正確答案
- 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
解析：
為避免資料洩漏，應先分割資料，再僅使用訓練資料計算標準化的統計量（如均值、標準差），然後將相同的統計量套用到測試資料上。這樣測試資料的評估才能真實反映模型的泛化能力。