人工智能正则化别只缩小权重。2026年要看约束形状。一范数是菱形，等高线爱撞轴上的角，权重可到精确零。二范数是圆，切点光滑，大多只缩小不到零。弹性网是圆角菱形。强度和预算是同一最优点的两种说法，滑条必须对上。要筛选变量就报精确为零的个数，不要把缩小写成已经做过选择。

人工智能很会加一项惩罚，痛点在没分清稀疏和缩小

目标是损失加系数乘惩罚。一范数的梯度大小几乎恒为一点，朝零的力不随权重变小而变弱，所以能推到精确零。二范数梯度与权重成正比，越靠近零力越弱，于是停在很小但不为零的数。损失等高线越扁，越容易撞上菱形的角，稀疏越明显。把损失中心拖离原点，最优点会沿约束边界滑，一范数仍倾向停在轴上。

数据视图要能对照：无正则的拟合线、最优点的线、你手拖的线。加一个离群点，无正则会被拽走，一范数往往少用那个方向的斜率，二范数把斜率减小但仍用。弱相关数据上，二范数更稳，一范数可能把有用方向也推零。截距默不默认进惩罚要写清：惩罚截距会把整条线往原点拧，只惩罚斜率则损失面沿截距方向是槽而不是碗。

三维里能看到惩罚如何改碗的形状。二维等高线是课本图：高亮的那圈损失线与约束边界的切点就是最优点。梯度下降小球应滚向星号标出的最优点。滚不到，学习率或实现有问题，不是正则理论错了。

人工智能正则2026五步：先选形状，再对强度与预算，再看是否到零

1. 先声明要稀疏还是只要缩小。要筛选变量，用一范数或弹性网，不用纯二范数。
2. 强度系数和预算必须能互算。对不上，界面在骗人。
3. 报告有多少权重精确为零，不要只报权重范数变小。
4. 离群点和弱相关两套数据都要测。只测干净线性，故事不成立。
5. 截距是否惩罚单独写。默默惩罚截距，当实现事故。

上表来自正则可视化的目标函数对照，必须和等高线、三维曲面一起看。菱形撞角、圆相切，是几何，不是比喻。发布时把「有多少权重为零」写成数字，不要只说「更正则了」。

两处只有拖过最优点才清楚。其一，扁的损失椭圆更爱撞菱形角，圆数据上稀疏没那么强。用各向同性的玩具数据宣传一范数稀疏，会夸大效果。其二，预算滑条若和强度滑条各算各的，界面会给出两个不同最优点。验收时改一个，另一个必须跟着动。

建设者该把约束形状写成正则选择的第一页。管模型的人，该拒收「加了二范数所以已经做了特征选择」的说法。没有精确零，就没有选择，只有缩小。

结论：人工智能正则的差别在几何：菱形给稀疏，圆给缩小，两者不要互相冒充

看形状、对强度与预算、报精确零、测离群点。弹性网才是既要稀疏又要共线稳定时的混合。仍把缩小写成筛选，上线后无用特征还在。

你下次加正则，先说要零还是只要小，再看滑条是不是同一最优点；两问含糊，系数先不要写进配置。离群点和弱相关两套数据都要测，只用干净直线会夸大稀疏效果。截距是否进惩罚必须写明。

现场还要防口号替换验收。把「已经会搜、已经会反传、已经会对齐」写成周报，不等于启发可采纳、梯度没消失、约束还在。周报可以写，门禁必须绑在对照表上。

若只能改一处：先把「看起来学会了」从唯一成功标准里拿掉。演示可以记，启发匹配、饱和检查、三阶段对齐三件跟不上就算事故。

现场还要防口号替换验收。把「已经会搜、已经会反传、已经会对齐」写成周报，不等于启发可采纳、梯度没消失、约束还在。周报可以写，门禁必须绑在对照表上。

若只能改一处：先把「看起来学会了」从唯一成功标准里拿掉。演示可以记，启发匹配、饱和检查、三阶段对齐三件跟不上就算事故。

现场还要防口号替换验收。把「已经会搜、已经会反传、已经会对齐」写成周报，不等于启发可采纳、梯度没消失、约束还在。周报可以写，门禁必须绑在对照表上。

若只能改一处：先把「看起来学会了」从唯一成功标准里拿掉。演示可以记，启发匹配、饱和检查、三阶段对齐三件跟不上就算事故。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源