模型與訓練
Regularization 正則化是什麼？讓模型別把雜訊也背下來
Regularization 正則化是什麼？讓模型別把雜訊也背下來
有一種學生，考古題全對，換一份新卷子就崩盤。模型也會這樣，這個病叫過擬合。
正則化就是治這個病的藥。你不需要會推公式，但知道它在做什麼，看訓練報告時就不會被漂亮的訓練分數騙了。
你將學到什麼
定義
訓練時對模型加上限制或懲罰，避免它把訓練資料的雜訊也學起來。
白話比喻
不讓學生死背考古題，逼他去理解題型背後的通則。
常見手法
L1、L2 懲罰項、Dropout、提早停止、資料增強。
怎麼判斷有效
看驗證資料的表現，不是看訓練資料的表現。
定義
正則化是在訓練時對模型增加限制或懲罰，讓它學到更簡單、更通用的模式。目的只有一個：提升在沒看過的資料上的表現。
最典型的做法是改寫損失函數。原本只算資料誤差，加了正則化之後變成資料誤差再加上一項跟參數大小成正比的成本。參數想變大就要付代價。
白話比喻
把訓練資料想成考古題。死背整本考古題的學生，模擬考很漂亮，正式考換題型就完了。
正則化像老師刻意抽掉部分題目、限制筆記頁數，逼學生去抓題型背後的通則。學得比較辛苦，但換一份卷子還是會寫。
常見手法怎麼選
| 方法 | 做什麼 | 適合什麼情況 |
|---|---|---|
| L1（Lasso） | 懲罰參數絕對值，部分參數會變成零 | 特徵很多但只有少數重要，需要可解釋性 |
| L2（Ridge） | 懲罰參數平方，所有參數一起縮小 | 特徵高度相關，希望模型平滑穩定 |
| Dropout | 訓練時隨機關閉部分神經元 | 深度學習模型，資料量不足容易過擬合 |
| Early Stopping | 驗證集不再進步就提前停止訓練 | 幾乎都適用，成本最低的一招 |
| 資料增強 | 產生更多樣的訓練資料 | 資料量少，且輸入可以合理變形 |
實際用例
判斷有沒有過擬合，看的是訓練誤差與驗證誤差的落差。訓練誤差一直降、驗證誤差卻開始往上翹，就是該加正則化的訊號。
對只用現成模型的人來說，這個詞的價值在於看懂別人的訓練報告。有人只秀訓練分數不秀驗證分數，那份數字基本上沒有參考價值。相關概念可以接著看 Overfitting 與 Loss Function。
最常見的誤解是以為正則化越強越好。強度過頭會變成欠擬合，模型連基本規律都抓不到，兩種失敗方向剛好相反。
另一個誤解是把 Dropout 留到推論階段。它只在訓練時開啟，實際使用時全部神經元都要參與，否則輸出會不穩定。
延伸學習
HE101｜Harness Engineering Foundation（3 小時）
三小時的地圖課，不是操作課。把 Model 與 AI System 分開，拆解一套 AI Harness 的八個組成（Goal、Context、Knowledge、Rules、Tools、Workflow、Evaluation、Iteration），再帶你逆向拆解四個你已經在用的系統，最後畫出自己的第一張 Harness Blueprint。5 章 27 課，附學員講義 PDF 與術語速查表。
NT$ 2,599
ChatGPT 很強，但真正讓你下班的是 Google
六小時完整實錄。從「AI 很厲害，為什麼你還是每天加班」這個問題出發，把 Google Workspace 當成真正的工作平台重新設計一次流程 ── Sheets 的資料結構、Drive 與 Docs 的文件流、Gmail 與 Calendar 的通知系統，再用 Apps Script 讓它自己跑起來，最後收斂成一張屬於你自己的 AI 工作能力地圖。
NT$ 4,599