【G検定過去問風テスト】L1・L2正則化の違い！ラッソとリッジの比較表

2026年7月24日 2026年7月24日 atsushi_kitazawa

※本記事では、アフィリエイトプログラムより教材を紹介しています。

📝 問題

機械学習における正則化手法である「L1正則化（ラッソ回帰）」と「L2正則化（リッジ回帰）」に関する記述として、最も適切な選択肢を1つ選べ。

🔍 ここをクリックして正解を見る

L1正則化（ラッソ回帰）: パラメータの絶対値の合計をペナルティとし、不要な重みを「完全に0」にして特徴量選択（スパース化）を行う。
L2正則化（リッジ回帰）: パラメータの2乗の合計をペナルティとし、重みを全体的に小さく均らす（0にはしない）。ディープラーニングで一般的に広く使われる。

L1とL2は、どちらも過学習を防ぐ「引き締めルール」ですが、そのアプローチ（性格）が全く違います。

L1正則化（ラッソ回帰）＝厳格な断捨離担当（投げ縄）
不要なデータ（特徴量）の重みを容赦なく「完全に0」にして切り捨てます。「投げ縄（Lasso）で縛り上げてゼロにする」と覚えましょう。不要なものが削ぎ落とされてスカスカになる状態を「スパース化」と呼び、必要なデータだけを選ぶ「特徴量選択」に役立ちます。
L2正則化（リッジ回帰）＝なだらかに整える指導員（なだらかな山・尾根）
重みを「完全に0」にするのではなく、全体的に「ちょっとずつ小さくならす」手法です。「山（大きな重み）のとがった部分を削って、なだらかな尾根（Ridge）にする」イメージです。極端に突出したパラメータがなくなり、滑らかで安定したモデルになります。

A) L1正則化はパラメータの2乗の合計をペナルティとして加える手法であり、重みを全体的に滑らかに小さくする性質がある。（×）: 「2乗の合計を加える」「全体的に滑らかに小さくする」のはL2正則化の説明です（L1は「絶対値の合計」）。
B) L2正則化は不要な特徴量の重みを「完全に0」にする強い性質があるため、特徴量選択（変数選択）の目的でよく利用される。（×）: 重みを「完全に0」にして「特徴量選択」を行うのはL1正則化の説明です。
C) L1正則化は不要な特徴量の重みを「完全に0」にすることで、モデルをスパース（希薄）化させ、特徴量選択の効果をもたらす。（○）: これがL1正則化の正しい特徴です。G検定の超頻出ポイントです！
D) L2正則化は計算の難易度が高く微分も困難なため、実際のディープラーニングモデルではほとんど用いられない。（×）: 微分が困難でほとんど使われないのはL0正則化（0でない重みの個数をペナルティにする手法）です。L2正則化はディープラーニングで最も一般的によく使われる正則化（重み減衰）です。