正则化和归一化的区别?

正则化和归一化都是数据处理中的优化方法，但目的不同。正则化通过添加惩罚项防止模型过拟合，归一化则是将数据缩放到统一尺度，便于计算和比较。

区别

正则化：在模型训练中，正则化通过限制参数大小来降低复杂度，比如L1正则化会产生稀疏解，L2正则化则让参数更平滑。它直接影响模型结构，适合高维数据或样本量少的情况。常见应用包括线性回归和神经网络，能有效提升泛化能力。

归一化：归一化处理原始数据，将不同特征缩放到相同范围，比如0到1或-1到1。它不改变模型结构，仅优化输入数据分布。常用于距离计算或梯度下降，避免某些特征因数值过大主导结果。例如，图像处理中像素值归一化能加速收敛。