③ ディープラーニングの概要 ／ 14. 正則化
リッジ回帰とは
リッジ回帰とは、L2正則化を用いた回帰モデルです。係数を小さく保ち、学習の不安定さを抑えます。
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
L2正則化を組み込んだ回帰。係数を全体的に小さく保って安定させます。
定義
\( \min \left( \sum (y - \hat{y})^2 + \lambda \sum w_i^2 \right) \)
ペナルティ項が2乗になっている点がラッソ回帰との違いです。
どんなときに使うか
説明変数どうしの相関が強く、係数の推定が不安定になる場合に有効です（多重共線性への対処）。
係数が0にならないため、すべての特徴量を残したまま影響を穏やかにします。「どの特徴量も一定の意味がある」と考えられる場面に向いています。
λを大きくするとどうなるか
λを大きくするほど係数は全体的に小さくなり、モデルは単純で保守的な予測に近づきます。
ラッソ回帰と違い0にはならないため、特徴量の数は減らないまま影響だけが薄まるという効き方をします。
混同しやすい用語との違い
| 用語 | ポイント |
|---|---|
| リッジ回帰 | L2正則化。係数を小さく保つ。多重共線性に強い |
| 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 |
🎯 G検定での押さえどころ
- L2正則化を用いた回帰
- 係数を0にはせず小さく保つ
- 多重共線性に強く、学習が安定する
⚠️ よくある誤りの選択肢
- 「リッジ回帰はL1正則化を用いる」→ 誤り。L2正則化です
- 「リッジ回帰では不要な係数が0になる」→ 誤り。0にはなりません
📘 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「Ridge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。