---
title: "正規化（Normalization）"
slug: normalization
language: zh-TW
source: https://aiterms.tw/terms/normalization
updated_at: 2026-04-29
tags: [機器學習, 資料處理, 特徵工程, 模型訓練, 模型評估, Python程式, 數學基礎, iPAS中級]
ipas_term: false
---

# 正規化（Normalization）

> **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

> **Q：正規化和標準化一樣嗎？**
> 不一樣，目標和處理對象都不同。
>
> **Q：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。
>
> **Q：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。
>
### 相關術語

> - **特徵縮放**：先看這個，能分清各種尺度處理。
> - **Z 分數**：和正規化常被一起比較。
> - **深度學習**：很多模型訓練和向量表示都會用到。
> - **機率分佈**：理解資料尺度時常會一起用。
> - **交叉驗證**：評估前先處理資料尺度很常見。

---

來源：https://aiterms.tw/terms/normalization
快查頁：https://aiterms.tw/terms/normalization
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-normalization