概念Regularization / L1正则化 / L2正则化
正则化
防止机器学习模型过拟合的技术手段，常见形式包括L1（Lasso）和L2（Ridge），通过在损失函数中加入惩罚项来约束模型复杂度
核心事实
时间轴 (近 90 天)
9月12日
面试高频考点包括模型评估指标、过拟合与正则化、交叉验证
待验证50%
9月7日
在贝叶斯框架下，先验扮演了正则化的角色，添加正则项本质上等价于为参数引入某种先验分布
待验证50%
8月26日
应对小数据集过拟合的常用策略包括数据增强、正则化技术（如Dropout、权重衰减）、早停法以及控制模型容量
待验证60%
8月6日
过拟合的应对方法包括增加训练数据、正则化、早停和Dropout
已验证65%
8月5日
深度学习中Dropout可以被解释为一种贝叶斯近似
待验证60%