正则化
Regularization
学到 认得 就够：听到能明白
你可能会说
“我给问卷文本训练分类器，为什么有时宁愿训练分数低一点，也要加正则化？”
正则化是一组希望改善新样本表现的训练约束或策略，可能让训练拟合变差一些。常见做法包含参数惩罚、随机失活或早停；目标是抑制不可靠的过度适应。
使用 AI
科研里的例子
为小型政策分类器加入参数惩罚后，训练准确率略降但新年份表现更稳定；这支持预测改进，仍不证明政策机制。
学习问题通常存在很多能拟合当前资料的函数，正则化通过偏好某些解或限制训练过程，改变算法最终选中的规律。它并不保证选出的规律就是真实机制，约束太强还可能欠拟合。对小样本社科数据，应把正则强度视为需要验证的选择，并结合样本划分与错误分析。尤其不要把统计上更稳定的预测直接称为因果更可信，两者解决的是不同问题。
判断
亲手检查一次
用同一小数据示例比较弱、强约束的拟合曲线，同时看训练与留出误差，找出过拟合和欠拟合的不同形态。
它做不到的
正则化不是一般的数据清理，也不能修复所有样本偏差或标签错误；不同策略依赖的假设与效果需分别检验。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。