模型為了追求訓練分數，權重一路變大，為什麼新資料反而更容易出錯？
你可以把它想成幫模型踩煞車，讓所有權重都收斂一點，不要太極端。
L2 正則化是一種機器學習技術，透過在損失函數中加入權重平方和的懲罰項，促使模型權重縮小，有效降低模型複雜度並避免過度擬合，提升泛化能力。
容易混淆
L1 正則化 L2 是整體縮小權重，L1 是把少數不重要的權重直接歸零。
Dropout Dropout 是訓練時隨機關掉部分神經元，L2 是在損失函數裡直接罰大權重。
記住這句就好
所有權重都縮小，但不刪光。
實際案例
房價預測 坪數、樓層、屋齡等特徵很多時，L2 可以避免某些係數被放得太大。
神經網路訓練 參數很多時，weight decay 能讓模型不那麼依賴少數極端權重。
算法與應用
L2 懲罰的是權重平方和，權重越大，懲罰越重。它的效果是讓模型更平滑、泛化更好，特別適合特徵很多但彼此相關的情況。和 L1 比起來，L2 比較保守，通常不會把特徵整個清掉。
情境判斷
Q1（直覺題）： 如果你現在遇到一個 房價預測 的場景，這個概念會是第一個想到的工具嗎？ → 看情況，但如果任務目標和這個概念的用途一致，就很可能是。核心還是先確認你要解決的是分類、分群、壓縮、檢索，還是最佳化。
Q2（判斷題）： 如果你把它和 Dropout 一起用，結果反而變不穩，通常該怎麼想？ → 看情況。先檢查資料分布、特徵定義和模型假設是否相容，很多時候不是概念本身有問題，而是使用條件不對，像距離尺度沒對齊、標註規則不一致，或輸入格式不合。
iPAS 考題
出題方向： 這類概念常考定義、差異和實務用法。 題目 關於 L2 正則化，下列何者正確？ → 答案：B。 L2 正則化透過懲罰權重平方和，讓所有權重趨向較小值。它不是把權重壓成零，也不是只適用於神經網路。
常見問題
L2 正則化 最容易跟 L1 正則化 混淆嗎？
L2 是整體縮小權重，L1 是把少數不重要的權重直接歸零。
什麼情況會用到 L2 正則化？
你可以把它想成幫模型踩煞車，讓所有權重都收斂一點，不要太極端。 實務上只要你要處理和這個概念相符的任務，就會用到它。
初學者最常錯在哪裡？
Dropout 是訓練時隨機關掉部分神經元，L2 是在損失函數裡直接罰大權重。