正則化 Regularization
⚠️ 本站內容僅作教育用途，不構成投資建議。投資涉及風險，作出任何投資決定前請諮詢持牌專業人士。
正則化 Regularization 是機器學習中抑制過度擬合的一類技術：在原本只量度預測誤差的成本函數上，額外加入與參數規模掛鈎的懲罰項，迫使模型在「擬合訓練數據」與「保持簡單」之間取得平衡。最常見的形式是 L2 懲罰（把權重平方和乘上系數加進成本函數，又稱權重衰減）與 L1 懲罰（用權重絕對值之和，有篩選特徵的效果）；在神經網絡中亦有丟棄法（dropout）、提早停止等變體。懲罰系數屬超參數，須以驗證集調校：太小則形同虛設，太大則模型欠擬合、連真實規律也學不到。在金融數據這種信噪比極低的場景，正則化幾乎是標配，但須記住它只能降低風險，不能保證模型在樣本外有效。