L1正則化による特徴量選択
小売業のG社は、約200個の特徴量を使って店舗の売上を予測する線形回帰モデルを作っている。担当者は、予測に効く特徴量を学習の中で自動的に絞り込み、係数が0になった特徴量は使わないことにしたい。この目的に合う説明として最も適切なものを1つ選べ。
- A
正則化の強さを0に近づけるほど係数が0になる特徴量が増え、モデルが簡潔になる
- B
L2正則化(Ridge)を使うと、一部の係数がちょうど0になり、特徴量の選択が行われる
- C
L1正則化は学習データへの当てはまりを高め、訓練データでの誤差を下げるために使う
- D
L1正則化(Lasso)を使うと、一部の係数がちょうど0になり、特徴量の選択が行われる
正解と解説を見る
正解:D
L1正則化(Lasso)は係数をちょうど0にして特徴量を選び、L2正則化(Ridge)は係数を全体に小さくする。どちらも、強くするほどモデルは単純になる。
- A
誤り。逆である。正則化を強くするほど0になる係数が増える。強さを0に近づけると、通常の最小二乗法に近づく。
- B
誤り。L2正則化は係数の二乗和に罰則をかけ、係数を全体的に0に近づけるが、ちょうど0にはなりにくい。特徴量の選択には向かない。
- C
誤り。正則化は係数を抑えて過学習を防ぐための手法で、訓練データでの誤差はむしろ増えることがある。目的は未知のデータへの汎化性能である。
- D
正しい。L1正則化は係数の絶対値の和に罰則をかけるため、効きの弱い特徴量の係数がちょうど0になりやすい。結果として特徴量の選択が行われる。
このサイトの問題は、各試験の公開されている出題範囲に沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。一般社団法人データサイエンティスト協会・一般財団法人統計質保証推進協会の公式サービスではありません。