哈囉大家好～～～

今天我們要來說說正則化，當我們不小心過度訓練我們的機器學習模型，會發生過度擬合(overfitting)，當發生overfitting時，你的模型可能在預測你的測試集時很精確，但當你餵新數據給它預測時，它的表現卻會非常的差，我們可以減少訓練迭代的次數，或使用提早停止(early stopping)，簡單來說，如果一直訓練到後來會overfitting，那我就不要訓練那麼的久，我就停下來了，這就叫early stopping，除了提早停止(early stopping)，最常見的方式會是正則化，這是一種控制模型複雜性的做法，因為當我們不小心過度訓練我們的機器學習模型，讓他變得太複雜，複雜到他只能解出你訓練集的答案，無法解出你餵進去的新資料的答案，那我們讓這複雜的模型簡單點，讓模型不會太過於overfitting，太簡單也不行，過度簡化的模型表現也很差，不然我們學這麼多種ML模型幹嘛?正則化的重點就是我們需要在簡單和overfitting之間找到適當的平衡，正則化包括L1、L2正則化和dropout等方法，希望大家的模型不僅在訓練數據上，也可以在未見過的測試數據上表現良好。

那我們明天見！！！