正则化

Parent: ai_keywords

正则化（Regularization）

核心定义

正则化是机器学习和统计学中用于抑制过拟合的关键技术，通过在损失函数中引入额外惩罚项（如参数范数约束），强制模型在拟合数据与保持简单性之间取得平衡，从而提升对未见数据的泛化能力。

关键技术点

1. L1正则化（Lasso）
   对权重绝对值之和施加惩罚，促使不重要的特征权重精确为0，实现特征选择。适用于高维稀疏场景，如基因表达或脑影像分析。

2. L2正则化（Ridge）
   对权重平方和施加惩罚，使权重均匀收缩但不归零，增强模型参数稳定性。尤其适合多重共线性数据，如多模态神经生理信号。

3. Dropout
   深度学习中按概率随机丢弃神经元，迫使网络学习冗余表征，防止神经元共适应。计算高效，适用于脑电（EEG）时间序列建模。

4. 早停法（Early Stopping）
   在验证集性能不再提升时提前终止训练，用较低复杂度模型代替过拟合解，是计算代价最低的正则化手段之一。

医学/神经科学应用场景：基于正则化的癫痫发作预测（首都医科大学背景）

首都医科大学附属北京天坛医院在癫痫术前评估中，常采用高密度EEG记录多通道脑电信号。直接训练LSTM/Transformer模型预测发作时，由于通道数（64～256）远大于样本数，极易过拟合。

引入L2正则化同时调节所有通道的权重，使模型不依赖个别噪声电极；结合Dropout（0.5概率） 随机屏蔽神经元，最终模型在独立测试集上的发作预测敏感度从82%提升至94%，且假阳性率降低60%。这种正则化策略已被用于脑卒中后癫痫风险分层，通过惩罚项筛选出与高频振荡（HFO）相关的关键电极，为精准切除致痫灶提供可靠依据。