搜尋意圖： 如果你在找「正則化 是什麼」或「正則化 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你訓練模型時，會不會怕它把訓練資料背太熟，考新題就不會了？
你可以把正則化想成在學習時加一點約束，提醒模型不要只記答案，還要學會規律。 它的目的就是降低過擬合，讓模型在沒看過的新資料上也比較穩。
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
正則化 vs 過擬合 過擬合是問題。 正則化是解法。 最關鍵的區別：一個是症狀，一個是治療。
正則化 vs 資料擴增術 資料擴增術是把訓練資料變多、變豐富。 正則化是限制模型不要太複雜。 最關鍵的區別：一個增加資料，一個限制模型。
正則化 vs 提前終止 提前終止是訓練到一半發現驗證表現變差就停下來。 正則化是更廣義的抑制複雜度方法。 最關鍵的區別：一個是停止訓練策略，一個是模型約束手段。
記住這句就好
模型太會背，就要想辦法讓它別背太熟。
實際案例
小資料分類 你只有幾千筆資料，要訓練一個分類器，若不加正則化，很容易把訓練集記死。 加上正則化後，模型通常會更穩。
影像辨識 在深度網路裡，常會搭配 L1、L2、隨機丟棄或提前終止一起使用。 這些方法都在幫模型保留泛化能力。
算法與應用
正則化常透過損失函數加懲罰項，讓模型參數不要長得太大或太複雜。 L1 會鼓勵稀疏，L2 會讓參數更平滑，兩者一起用就是 Elastic Net 的概念。 實務上，正則化常和資料擴增、提前終止、Dropout 一起搭配。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 正則化 | 台灣機器學習教材與考試用語 |
| 正规化 / 正则化 | 簡體用語，簡體資料多寫「正则化」 |
| Regularization | 英文原名 |
| 正則項、懲罰項（penalty term） | 指損失函數裡加上去的那一項 |
| 規則化 | 少見的中文變體 |
要跟正規化（normalization） 分清楚，兩者中文只差一個字但完全不同。正規化是把數值縮放到某個範圍（例如標準化、批次正規化），正則化是限制模型複雜度以避免過度擬合。
L1 與 L2 的差別
| L1（Lasso） | L2（Ridge、權重衰減） | |
|---|---|---|
| 懲罰項 | 權重絕對值的和 | 權重平方的和 |
| 效果 | 會把部分權重壓到剛好 0 | 把權重整體壓小但不會歸零 |
| 附帶好處 | 自動做特徵選擇 | 對共線性特徵較穩定 |
| 幾何直覺 | 約束區域是菱形，尖角落在座標軸上所以容易碰到 0 | 約束區域是圓形，沒有尖角 |
兩個一起用叫做彈性網路（Elastic Net），在特徵多又彼此相關時表現通常最好。
深度學習框架裡的 weight decay 參數，數學上就是 L2 正則化（在 Adam 這類最佳化器上兩者有細微差異，AdamW 就是為了修正這個差異而來）。
深度學習裡的其他正則化手段
Dropout：訓練時隨機讓一部分神經元不參與，強迫網路不要依賴少數幾條路徑。推論時全部打開，並把輸出按比例縮放。
提早停止（early stopping）：盯著驗證集的表現，一開始變差就停。實作最簡單，效果常常出乎意料地好。
資料增強（data augmentation）：對訓練資料做旋轉、裁切、加噪等變換。本質上是用「模型應該對這些變換不變」這個先驗知識來限制模型。
批次正規化（batch normalization）：主要目的是穩定訓練，但因為每個批次的統計量帶有雜訊，附帶了一點正則化效果。
標籤平滑（label smoothing）：不要求模型輸出 100% 的信心，避免它對訓練資料過度自信。
判斷要不要加正則化只看一件事：訓練誤差遠低於驗證誤差。兩者都高是欠擬合，這時候加正則化只會更糟，該做的是換更大的模型或更好的特徵。
情境判斷
Q1（直覺題）： 你發現訓練分數很高、驗證分數很低，先想到什麼？
→ 先想到正則化或其他抑制過擬合的方法，因為模型可能學太死。
Q2（判斷題）： 只要加了正則化，模型一定會更準嗎？
→ 不一定，正則化主要是讓模型更會泛化，太強反而可能讓模型學不夠。
常見問題
L1 和 L2 有什麼不同？
L1 比較容易把一些參數壓到 0，L2 比較像把參數整體變平滑。
Dropout 算正則化嗎？
算，它也是用來降低過擬合的常見手段。
正則化一定適合所有模型嗎？
不一定，要看資料量、模型複雜度和任務目標。