机器学习中什么时候用正则化（regularization），什么时候用交叉验证（cross-validation）？

When should you use regularization versus cross-validation in machine learning?

题目类型: 技术面试题

这是一道技术面试题，常见于澳洲IT公司面试中。

难度: medium

分类: Machine Learning, Model Evaluation

标签: Regularization, Cross Validation, Overfitting

目标公司: TikTok

参考答案摘要

答案 正则化用于“训练阶段约束模型复杂度”，通过在损失函数中加入惩罚（L1/L2 等）来降低过拟合、提升泛化；交叉验证用于“评估与选择”，通过在不同数据切分上反复训练/验证来估计模型在未见数据上的表现，并帮助选择模型、超参（包括正则强度）。实际流程常是：先用交叉验证挑选模型与超参（如 lambda），再用选定的正则化训练最终模型，并在独立测试集/线上监控验证。

本题提供 STAR 原则详细解答和技术解析，登录匠人学院学习中心即可查看完整答案。