問題 No.1023
機械学習の線形回帰において、特徴量が非常に多い場合に過学習を防ぐため、L1正則化とL2正則化の両方のペナルティを組み合わせることで、不要な変数の削減とモデルの安定性の双方のメリットを得る手法を【 】と呼ぶ。
【正解の解説】
Elastic Net
「L1正則化」と「L2正則化」の両方のメリットを組み合わせた手法です。特徴量が多い場合に、不要な変数の削除と予測モデルの安定化を両立させることができます。
スポンサーリンク
【その他の選択肢の解説】
リッジ回帰
モデルの学習時に、特徴量の重みが大きくなりすぎるのを防ぐ「L2正則化」を加えた手法です。全体の重みを平均的に小さくすることで予測のばらつきを抑えます。
ラッソ回帰
学習時に不要な特徴量の重みをゼロにする「L1正則化」を加えた手法です。これにより、モデルから不要な変数を削減し、必要な情報だけを選び出すことができます。
ロジスティック回帰
分類問題を解くためのモデルです。あるデータがどのグループに属するかを確率として算出する手法で、正則化の手法そのものではありません。