L1正則化（Lasso）とは
L1LASSO
読み: エルイチセイソクカ
L1正則化（Lasso）とは、L1正則化は、機械学習モデルの過学習を抑制するための手法の一つである
読み: エルイチセイソクカ
特に、Lasso回帰と呼ばれる線形回帰モデルで利用されることが多い。モデルの複雑さを罰することで、汎化性能の向上を目指す。
かんたんに言うと
モデルの複雑さを抑えて、予測の精度を高めるためのテクニックである。
L1正則化の仕組み
L1正則化は、モデルのパラメータ（重み）の絶対値の和をコスト関数に加えることで機能する。このペナルティ項によって、不要な特徴量に対応するパラメータが0になりやすくなる。結果として、モデルはよりシンプルになり、過学習のリスクを低減できる。Lasso回帰では、このL1正則化を利用して特徴選択を自動的に行うことができる。
L2正則化との違い
正則化にはL1正則化の他にL2正則化（Ridge回帰）がある。L1正則化がパラメータの絶対値の和を用いるのに対し、L2正則化はパラメータの二乗和を用いる。L1正則化はスパースなモデル（パラメータが0の多いモデル）を作りやすいという特徴がある。一方、L2正則化はパラメータを均等に小さくする傾向がある。どちらの正則化手法を用いるかは、データの特性やモデルの目的に応じて選択する必要がある。
L1正則化のメリットとデメリット
L1正則化のメリットは、モデルの解釈性を高められる点にある。不要な特徴量が自動的に削除されるため、どの特徴量が重要であるかを把握しやすくなる。デメリットとしては、L1正則化は微分不可能な点を持つため、最適化が難しい場合がある。また、特徴量間に強い相関がある場合、選択される特徴量が不安定になることがある。