問題 No.93
機械学習モデルにおいて、入力となる特徴量の数が非常に多く、その大半が予測に寄与していない無駄な情報である可能性が高い。過学習を防ぎつつ、予測に不要な特徴量の重み（パラメータ）を完全に「ゼロ」にすることで、実質的な変数選択（モデルのスパース化）を同時に行いたい場合に採用すべき正則化手法はどれか。
【正解の解説】
L1正則化
L1正則化とは、不要なパラメータの値を強制的にゼロにすることで、モデルをスリム化し、重要な特徴量のみを選択する手法です。
スポンサーリンク
【その他の選択肢の解説】
L2正則化
L2正則化とは、パラメータが大きくなりすぎることを防ぎ、モデルを滑らかにすることで過学習を抑える手法です。
ドロップアウト
ドロップアウトとは、学習中にランダムに一部のノードを無効にすることで、特定のノードに頼りすぎない柔軟なモデルを作る手法です。
早期終了
早期終了とは、検証データでの精度が上がらなくなった時点で学習を打ち切り、過学習を防ぐ手法です。