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)
10月13日
缓解过拟合与提升泛化的手段包括数据增强（旋转、裁剪、调整亮度）、正则化、Dropout以及引入更多真实场景样本。
待验证50%
10月12日
常用的正则化策略（如L1、L2或更一般的凸惩罚）在oracle复杂度层面不会使优化问题本质上更难求解。
待验证50%
10月11日
正则化（Regularization）一词借用自机器学习，指在模型训练时加入惩罚项以防止过拟合
待验证50%
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%
全部知识事实 (8)
已验证
过拟合的应对方法包括增加训练数据、正则化、早停和Dropout
65%待验证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
60%待验证深度学习中Dropout可以被解释为一种贝叶斯近似
60%待验证缓解过拟合与提升泛化的手段包括数据增强（旋转、裁剪、调整亮度）、正则化、Dropout以及引入更多真实场景样本。
50%待验证常用的正则化策略（如L1、L2或更一般的凸惩罚）在oracle复杂度层面不会使优化问题本质上更难求解。
50%待验证正则化（Regularization）一词借用自机器学习，指在模型训练时加入惩罚项以防止过拟合
50%待验证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
50%待验证在贝叶斯框架下，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
50%