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。
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。
相關術語
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。