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。
你有沒有遇過，有些資料數值特別大，讓模型看起來被它們牽著走？ 你可以把它想成先把每個樣本縮到差不多的大小，讓模型比較的是方向或比例，而不是原始大小。 正規化的重點是把樣本向量拉到固定範數，避免尺度太大造成偏差。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
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。
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。
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？
- 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