10 - 除咗 L2 同 Dropout，仲有咩招可以防過擬合？
機器學習就似補習社，學生（模型）最易出兩個極端：
唔識讀書 → 偏差高
背到滾瓜爛熟 → 變異高／過擬合
L2 罰權重、Dropout 輪流請假都係常用藥方。不過，仲有幾味「中成藥」一樣好用，而且同前面兩招可以同場加映。以下用廣東話慢慢講，實例多多方便入腦。
📸 資料增強（Data Augmentation）──「自己整份新題目」
概念： 唔係出去搜集新數據，而係用現有數據「變」出千姿百態嘅版本，令模型見過更多花款。
影像世界最常見：
左右翻轉、上下翻轉
隨機旋轉、裁剪、平移
加高斯雜訊、模糊、亮度／對比度調節
Cutout / Mixup / CutMix：直接遮塊／拼圖，迫模型睇全局
真實場景：
手機相簿分類
夜拍、逆光、鏡頭髒都搞掂，因為訓練時早就用雜訊 + 亮度變化「毒打」過。
超市收銀條碼掃描
把商品圖像隨機轉 10°、加 motion blur，模型連顧客手震都識讀。
語音助理
把乾淨錄音混入咖啡店、地鐵背景音，Siri/Alexa 去到旺角街頭都聽得到。
信用卡詐騙（表格數據）
用 SMOTE 合成少數類別交易，平衡樣本防止模型「忘記」稀有詐騙樣式。
優勢： 成本低、效果快見；特別係資料少或收集難嘅行業（醫療影像、衛星圖）。
⏳ 提早停止（Early Stopping）──「見好就收」
概念： 訓練過程中同時監控驗證集，如果發現 Val Loss 開始回升，就即刻 Break，並存低當時最好嘅權重。
操作步驟：
設定 patience（容忍期），例如連續 5 個 epoch Val Loss 冇再跌就停。
每次改善就 Save Checkpoint，最終輸出最好嗰個。
生活比喻：
考試溫書：讀到凌晨 3 點已經腦袋漲，繼續硬背反而事倍功半，呢刻瞓覺反而第二日發揮更好。
運動減肥：跑步過度會拉傷肌肉，適時收步 + 休息先至長期保持。
實務例子：
電影推薦系統
連續 3 個 epoch Val AUC 下跌 → 早停；免得模型背住最新上映大片，結果舊片推介全滅。
醫學影像分割
早停可避免模型記住某幾部 MRI 機嘅噪聲紋理。
AI 作曲
生成音樂若訓練過久會重複訓練集旋律，早停保持創新度。
優點： 零額外計算，連 λ 都唔洗 tune。缺點： 有時同「Loss 最小化」目標拉扯；一旦 val set 太細，噪聲會令早停時機失準。
🤝 模型集成（Model Ensemble）──「十個師傅勝一個狀元」
概念： 訓練多個獨立模型，再用平均 / 投票 / 加權融合，抵消單一模型嘅偏差同雜訊。
常見做法：
Bagging（Bootstrap Aggregating）：隨機抽子樣本 + 子特徵，代表作 Random Forest。
Boosting：弱模型逐個上陣，後一個針對前一個錯誤補漏，代表作 XGBoost、LightGBM。
Snapshot Ensemble：同一次訓練，用 Cosine Annealing 每隔一段保存一次權重，最後集成。
Stacking / Blending：用另一隻「元模型」學埋各子模型輸出。
實務例子：
天氣預報
歐洲 ECMWF、日本 JMA、美國 GFS 多路模型集成，預測路徑比單一模型少 10% 誤差。
金融風險評估
NN + Gradient Boosting + Logistic Regression，三家投票；遇到黑天鵝事件都唔易全軍覆沒。
圖像分類大賽（ImageNet／Kaggle）
頭部隊伍動輒 5–30 個 CNN/ViT 做 Ensemble，最後多榨 1–2% Top-1 accuracy。
醫療診斷
結合皮膚科醫生標註嘅樹模型、CNN、Transformer，降低誤診率。
成本： 準確率 Up，計算資源亦 Up；移動裝置部署要考慮壓縮如 Knowledge Distillation、量化。
🛠️ 其他 bonus 招式（一樣係正則化思維）
方法 | 一句解釋 | 例子 |
Label Smoothing | 把 one-hot 標籤改成 0.9/0.1，免得模型過度自信 | NLP 翻譯、語音識別 |
Mixup / CutMix | 兩張圖混埋再混標籤 | 無人機農田病斑偵測 |
Batch Normalization | 穩定分佈兼帶輕微正則化效果 | 所有 CNN 幾乎必用 |
Weight Sharing / Parameter Tying | 多層共用同組參數 | RNN、Transformers |
✅ 總結：自己揀藥材，煲出最啱嘅湯
資料增強：等於加大題庫，最平易近人。
提早停止：見好即收，零成本又安全。
模型集成：多師傅保駕，效果最好但最食資源。
佢哋同 L2、Dropout 互唔排斥，可以自由組合：
影像專案：Augmentation + Dropout + Early Stop
Tabular 信用評分：L2 + Bagging + SMOTE
語音辨識：Noise Augmentation + Label Smoothing + Snapshot Ensemble
選得啱，用得巧，你嘅模型就能又精又穩，面對真實世界照樣打唔死！🚀