關於資料正則化（Regularization）L1、L2 方法，下列敘述何者正確？
答案 （C）
核心概念
正則化是在損失函數後面加一個懲罰項，逼模型不要把權重養得太大，藉此抑制過度擬合。L1 正則化（又叫 Lasso）加的是「權重絕對值的總和」，會把不重要特徵的權重直接壓成 0，產生稀疏解，等同順便做特徵選擇；L2 正則化（又叫 Ridge）加的是「權重平方的總和」，會把權重壓小但通常不會壓到剛好 0。
答題技巧
快速判斷技巧：記住兩組對應——「L1 = Lasso = 絕對值 = 會歸零 = 稀疏 = 可做特徵選擇」「L2 = Ridge = 平方 = 只變小不歸零」。這類題幾乎都在這兩組字之間互換位置騙人，背熟對應表就能秒殺。
易錯陷阱：(D) 是最經典的「主詞對調」陷阱，把 L1 的特性掛到 L2 頭上；(B) 則是名稱互換。作答時建議先在題目旁邊寫下 L1/L2 各自的關鍵字，再逐一比對，不要憑印象直覺選。