技术

Regularization（正则化）

Regularization 是一种防止模型过拟合的技术，通过在损失函数中添加惩罚项来限制模型复杂度，从而提高泛化能力。典型方法包括 L1/L2 正则化、Dropout 和早停，广泛应用于深度学习和统计模型。

收录于 2026/9/17相关资讯 14 篇近 30 天 6 篇在词典中查看 →

详细解释

正则化是机器学习的核心概念，旨在解决过拟合问题。L1 正则化（Lasso）产生稀疏解，L2 正则化（Ridge）使权重平滑。Dropout 在训练时随机丢弃神经元，迫使网络学习鲁棒特征。早停则根据验证集性能提前终止训练。这些技术通过偏差-方差权衡提升模型在未见数据上的表现。现代深度学习中，正则化常与数据增强、批归一化结合使用。

别名与相关写法
regularization

相关术语

Gating共现 3 篇
Sharpness-Aware Minimization共现 1 篇
Representation Geometry共现 1 篇
Entropy Regularization共现 1 篇
Large Language Models共现 1 篇
Low-Rank Adaptation共现 1 篇

相关资讯

完整术语表见 AI 术语词典； 每日新术语与进展见 AI 早报。