③ ディープラーニングの概要 ／ 14. 正則化
ラッソ回帰とは
ラッソ回帰とは、L1正則化を用いた回帰モデルです。不要な特徴量の係数を0にする効果があり、特徴量選択を兼ねられます。
この用語はG検定シラバスの「14. 正則化」に含まれます。 章全体の用語は用語解説③（全52語）にまとまっています。
一言でいうと
L1正則化を組み込んだ回帰。使わない特徴量の係数を0にしてくれます。
定義
\( \min \left( \sum (y - \hat{y})^2 + \lambda \sum |w_i| \right) \)
前半が線形回帰の二乗誤差、後半がL1正則化のペナルティです。
どんなときに使うか
特徴量が非常に多く、そのうち本当に効くのは一部だけと見込まれる場合に向きます。
学習すると不要な係数が0になるため、結果を見れば重要な特徴量が分かるという副次的な利点もあります。
逆に、すべての特徴量がそれなりに効いている場合はリッジ回帰のほうが適しています。
λを大きくするとどうなるか
λを大きくするほどペナルティが強くなり、0になる係数が増えていきます。使われる特徴量がどんどん絞られていく形です。
大きくしすぎるとすべての係数が0に近づき、何も予測できないモデルになります。適切なλは検証データで決めます。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| ラッソ回帰 | L1正則化。係数が0になる。特徴量選択を兼ねる |
| リッジ回帰 | L2正則化。係数を小さく保つ。学習が安定 |
🎯 G検定での押さえどころ
- L1正則化を用いた回帰
- 不要な特徴量の係数が0になる
- リッジ回帰（L2）との対比が重要
⚠️ よくある誤りの選択肢
- 「ラッソ回帰はL2正則化を用いる」→ 誤り。L1正則化です
- 「ラッソ回帰では係数が0にならない」→ 誤り。0になる点が特徴です
📘 もっと深く学ぶ
- 数式レベルまで踏み込んだ解説 → 医療AIナビ「Lasso回帰」（E資格向け）
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。