---
title: "泛化能力（Generalization）"
slug: generalization
language: zh-TW
source: https://aiterms.tw/terms/generalization
updated_at: 2026-07-29
tags: [機器學習, 模型訓練, 模型評估, 資料處理, 特徵工程]
ipas_term: false
---

# 泛化能力（Generalization）

> **你有沒有看過模型在練習題很強，一換新題就掉分？**
>
> 你可以把泛化能力想成模型把學到的規則用到沒看過資料上的本事，而不是只會背訓練集。
>
> 它重要，是因為真正上線後遇到的資料，幾乎都不會和訓練集一模一樣。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **泛化能力 vs 過擬合**
> 過擬合是只會記訓練資料。
> 泛化能力是遇到新資料也能表現穩。
>
> **泛化能力 vs 欠擬合**
> 欠擬合是連訓練資料都學不好。
> 泛化能力好，代表學到的是可延伸的規律。

### 記住這句就好
> 新資料也能做對，才叫真的學會。

### 實際案例
> **圖像分類**
> 模型在訓練集很高分，但換到新拍的照片就錯很多，代表泛化不足。
>
> **文本分類**
> 在舊新聞上準，不代表遇到新詞、新事件時還能穩，這就是泛化能力要檢查的地方。

### 算法與應用
> 評估泛化能力最常看驗證集、測試集和交叉驗證。
> 提升方法常包含更多資料、正則化、特徵工程、資料清理和模型簡化。

### 中英對照與常見說法

| 中文 | 英文 | 意思 |
| --- | --- | --- |
| 泛化 | generalization | 模型在沒看過的資料上也能表現穩定的能力 |
| 泛化能力 | generalization ability | 同上，強調這是模型的一種能力 |
| 泛化誤差 | generalization error | 模型在整個資料分布上的期望誤差 |
| 泛化差距 | generalization gap | 訓練誤差與測試誤差的差距 |
| 泛化性 | generalizability | 常見於論文，指結論能不能推廣 |

> 中國大陸的教材寫作「泛化」，用字與台灣相同。要注意的是「一般化」在數學裡是另一個意思，討論模型時不要混用。

### 怎麼看出泛化出了問題

> 判斷方法只有一個，看訓練集與驗證集的誤差差距，也就是泛化差距。
>
> **差距很小，但兩邊誤差都高。** 模型能力不足，欠擬合。這時該做的是換更大的模型或加特徵，不是加資料。
>
> **訓練誤差很低，驗證誤差高很多。** 過擬合，模型背下了訓練資料的雜訊。這時該做的是加資料、加正則化、提早停止或用 dropout。
>
> **兩邊都低，但上線後掉下來。** 這通常不是泛化問題，而是資料分布偏移（distribution shift），線上資料跟訓練資料本來就不是同一個分布，要回頭檢查取樣方式。
>
> 只看單一數字沒有意義，泛化永遠是比較出來的。

### 情境判斷
> **Q1：如果模型訓練分數高、測試分數低，通常先懷疑什麼？**
> → 常先懷疑過擬合，也就是泛化能力不足。
>
> **Q2：如果訓練分數和測試分數都很低，問題還只是泛化嗎？**
> → 不一定，這時更可能是欠擬合或資料本身不足。

### 常見問題
> **Q：泛化能力可以直接量化嗎？**
> 可以，通常看未見資料上的表現差距。
>
> **Q：資料越多就一定泛化越好嗎？**
> 不一定，資料品質和代表性也很重要。
>
> **Q：正則化為什麼常被提到？**
> 因為它能抑制過度擬合，幫助泛化。
>
> **Q：遷移學習能幫助泛化嗎？**
> 常可以，尤其當目標資料少時。

### 相關術語
> - **過擬合**：泛化能力差時最常見的原因之一。
> - **欠擬合**：學得太少也會讓泛化表現差。
> - **穩健性**：模型遇到變動資料時的耐受度，和泛化很接近。
> - **偏差方差權衡**：理解它，才能知道泛化為什麼難。
> - **遷移學習**：很多泛化能力的提升都靠它。

---

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