線形回帰モデルの過学習を抑えるために正則化を用いる。L1正則化（ラッソ回帰）の特徴として、最も適切なものを選べ。
- 1重みの二乗和をペナルティとして加えるため、重みは全体的に小さくなるが、ちょうど0になることはほとんどない。
- 2重みの絶対値の和をペナルティとして加えるため、一部の重みがちょうど0になりやすく、特徴量選択の効果がある。
- 3L1正則化とL2正則化を組み合わせた手法であり、両者の長所を併せ持つ。
- 4ペナルティ項の係数を大きくするほど、モデルは学習データに強く適合し、過学習が起こりやすくなる。
正解と解説を見る
正解：2
L1正則化では、重みの絶対値の和をペナルティとして誤差関数に加えます。このため不要な特徴量の重みがちょうど0になりやすく、特徴量選択の効果があります。重みの二乗和で重みを全体的に小さくするのはL2正則化（リッジ回帰）で、L1とL2を組み合わせたものはElastic Netです。また、ペナルティ項の係数を大きくすると正則化が強まり、過学習とは逆に未学習に近づきます。「L1は重みを0にしてスパースにする、L2は重みを全体的に小さくする」と覚えておきましょう。
根拠：L1正則化（ラッソ回帰）とL2正則化（リッジ回帰）