---
title: "正規化（Normalization）"
slug: normalization
language: zh-TW
source: https://aiterms.tw/terms/normalization
updated_at: 2026-07-29
tags: [機器學習, 資料處理, 特徵工程, 模型訓練, 模型評估, Python程式, 數學基礎, iPAS中級]
ipas_term: false
---

# 正規化（Normalization）

> **你有沒有遇過，有些資料數值特別大，讓模型看起來被它們牽著走？**
> 你可以把它想成先把每個樣本縮到差不多的大小，讓模型比較的是方向或比例，而不是原始大小。
> 正規化的重點是把樣本向量拉到固定範數，避免尺度太大造成偏差。 這也讓它很適合先拿到可用答案，再慢慢把精度往上推。
>
### 容易混淆

> **正規化 vs 標準化**
> 正規化：把每個樣本縮到固定範數
> 標準化：把特徵拉成平均 0、標準差 1
> 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
>
> **正規化 vs 特徵縮放**
> 正規化：通常處理樣本向量
> 特徵縮放：通常處理欄位數值範圍
> 最關鍵的區別：先看它是在比什麼，再看它怎麼做。
>
### 記住這句就好

> 把每個樣本縮到差不多長。
>
### 實際案例

> **文本向量**
> 把長短不同的文件向量正規化，方便比較相似度。
>
> **影像特徵**
> 在某些嵌入模型裡，正規化後距離比較有意義。
>
### 算法與應用

> L1 和 L2 正規化最常見，前者偏稀疏，後者更平滑。
> 它常和餘弦相似度、向量檢索、以及度量學習搭配。
> 如果你的模型很怕向量長度影響結果，正規化通常很有用。
>

### 中英對照與常見說法

| 中文 | 英文 | 指的是什麼 |
| --- | --- | --- |
| 正規化 | normalization | 把數值縮放到固定範圍，最常見是 0 到 1 |
| 標準化 | standardization | 減平均除標準差，讓平均為 0、標準差為 1 |
| 最小最大縮放 | min-max scaling | 正規化最常見的具體做法 |
| 批次正規化 | batch normalization | 神經網路層與層之間做的正規化 |
| 正則化 | regularization | 完全不同的東西，指抑制過擬合的手段 |

> 最後一列是最常見的誤譯。正規化（normalization）與正則化（regularization）中文只差一個字，英文完全不同，目的也不同。正規化處理的是數值尺度，正則化處理的是模型複雜度。看到「L2 正規化」多半是誤譯，原文應該是 L2 regularization。

### 公式與什麼時候該用哪一種

> **最小最大正規化**
> `x' = (x − min) / (max − min)`
> 結果落在 0 到 1。適合需要固定範圍的場合，例如影像像素值、要餵進有界激活函數的輸入。缺點是對離群值極度敏感，一筆極端值就會把其他資料全部壓扁到很小的區間。
>
> **標準化（Z 分數）**
> `x' = (x − μ) / σ`
> 結果平均 0、標準差 1，沒有固定上下界。對離群值穩健得多，是多數機器學習模型的預設選擇，尤其是線性回歸、邏輯回歸、支援向量機、主成分分析這類跟距離或梯度有關的模型。
>
> 判斷方式：不確定就先用標準化。只有在明確需要有界輸出，或資料本身就有天然上下限時，才用最小最大正規化。
>
> 還有一個常被忽略的紀律：縮放參數（min、max、平均、標準差）只能從訓練集算，然後套用到驗證集與測試集。用全部資料一起算會讓測試集的資訊洩漏進訓練流程，評估數字會虛高。

### 情境判斷

> **Q1（直覺題）：兩篇文件長度差很多，但你只想比較語意方向，該做什麼？**
> → 正規化，讓向量長度先統一。
>
> **Q2（判斷題）：如果你的特徵本來就有絕對大小意義，還能隨便正規化嗎？**
> → 要看情況，因為縮掉大小可能也把有用訊號一起拿掉。
>
### 常見問題

> **Q：正規化和標準化一樣嗎？**
> 不一樣，目標和處理對象都不同。
>
> **Q：它一定能提升模型嗎？**
> 不一定，要看任務是否真的需要控制向量長度。
>
> **Q：L1 和 L2 怎麼選？**
> 看你要不要稀疏表示，以及對離群值敏感不敏感。
>
### 相關術語

> - **特徵縮放**：先看這個，能分清各種尺度處理。
> - **Z 分數**：和正規化常被一起比較。
> - **深度學習**：很多模型訓練和向量表示都會用到。
> - **機率分佈**：理解資料尺度時常會一起用。
> - **交叉驗證**：評估前先處理資料尺度很常見。

---

來源：https://aiterms.tw/terms/normalization
快查頁：https://aiterms.tw/terms/normalization
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-normalization