小样本意图分类里 Dropout 还算不算正则

课程要求对比至少两种正则手段，并解释指标变化是否来自模型容量。数据是约 1.2 万条意图分类样本，类别轻度长尾。学生最初的写法是：Dropout p = 0.3 相对无正则基线减轻了过拟合，因此 Dropout 有效。

辅导要求先把验证集与测试集的差距写在讨论段开头，而不是藏在附录。差距大，说明调参可能已经吃掉测试信息，后面的方法比较都要降调。

第二步引入类别权重。加权交叉熵校正不平衡之后，Dropout 的增益消失。这意味着原先的差距有一部分来自指标假象：模型在多数类上更稳，被总体准确率放大了。

学生需要改写贡献声明，而不能坚持“Dropout 一定有用”。数字下跌也是结果。设置、控制变量和失败解释同时出现，才像一份实验报告，而不是产品介绍。

节选展示的是改写后的讨论逻辑，不是完整作业。你的课程若指定了别的指标或必须使用的模型，以 syllabus 为准。