一个线性回归在训练集上 MSE 是 0.3，测试集 MSE 是 1.8。你加了 L2 正则并把 λ 从 0 调到 1，训练 MSE 变成 0.9、测试 MSE 变成 1.2。请解释为什么训练误差变差而测试误差变好，λ 继续增大会发生什么，以及你怎么选 λ。

面试官在考什么

是否理解正则化是用训练拟合度换泛化能力，λ 存在最优值而非越大越好，并知道 λ 的选法。

过拟合与正则化

回答框架 · 前两步

1. L2 惩罚参数幅度，等价于给假设空间加约束/先验，降低模型对训练集噪声的敏感度，即降方差；代价是模型拟合能力受限、偏差上升。
2. 训练 MSE 从 0.3 升到 0.9 是偏差上升的必然结果；测试 MSE 从 1.8 降到 1.2 说明方差下降的收益超过了偏差上升的损失，总泛化误差下降。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 避坑与冲刺：简历自洽、六种扣分话术、D-7 准备表

想看这个方向的整体准备路线？ 进入「机器学习基础」方向页

同一能力域的其他题

• 请解释偏差-方差权衡。如果一个模型训练误差很低、测试误差很高，你会怎么处理？
• L1 和 L2 正则的区别是什么？为什么 L1 能产生稀疏解？从几何角度解释一下。
• 样本极度不平衡（正样本 1%）时，你会怎么评估和建模？为什么不能只看准确率？
• 交叉验证有哪些方式？时间序列数据为什么不能用随机 K 折？你实际项目里怎么切？
• 你的模型预测概率偏高或偏低（校准差），怎么发现、怎么修？为什么 AUC 高不代表概率准？
• 线上服务要你对一个模型做上线前的效果预估，但没法直接做 A/B，你会怎么估？有多大把握？