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。
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。