1．基本を理解
読み方・用語解説- 読み方
- エル・わん（エル・いち）せいそくか
- 英語名
- L1 Regularization（Lasso）
- 提唱者・年代
- 正則化の枠組みとして広く使われる（Lasso: 1996年 Tibshirani）
💡 豆知識——制約領域が“ひし形”だから——角（軸上）で止まり、多くの重みがちょうど0になる。
【セットで覚えたい関連用語】
正
正則化（No.17）過学習を防ぐ技術の総称。L1/L2が代表。L
L2正則化（No.246）重みの二乗和をペナルティ——全体的に小さくする（円）。過
過学習（No.12）正則化が狙う敵。2．意味（定義）と例え話
一言で言うと？
重みの絶対値の和をペナルティとして加える手法。一部の重みを完全に0にしやすく、特徴選択の効果がある。
背景・歴史的流れ
高次元データで“使う特徴を厳選したい”欲求から——Lasso（最小角法）として定着。
身近な例え話
引っ越しの荷物を“要・不要”で仕分ける——不要な箱（重み0）は積み込まず、車（モデル）をスリムにする。
AIとの関係
特徴が何百・何千もあるモデルで“どれが効くか”を自動的に選んでくれる特徴選択装置。
おすすめの活用法・注目ポイント
「絶対値の和＝スパース（0を作る）＝特徴選択」で。L2（円＝滑らか・全体的に小さく）との対比が定番。
3．直前に理解（Q&A）
7問Q1. L1正則化とは？最頻出
重みの絶対値の和をペナルティとして加える手法。
Q2. 特徴的な効果は？最頻出
多くの重みを“0”にする（スパース化）＝特徴選択。
Q3. なぜ0になる？最頻出
制約領域がひし形——最適解が頂点（軸上）にくると重みがちょうど0。
Q4. L2との違いは？混同
L1＝絶対値の和（スパース・厳選）、L2＝二乗和（全体的に小さく・滑らか）。
Q5. 英語の別名は？頻出
Lasso（Least-Absolute Shrinkage and Selection Operator）。
Q6. 使う場面は？頻出
特徴数が多い・“どの特徴が効くか”を知りたいとき。
Q7. 位置づけは？親と子
正則化 ⊃ {L1 / L2} のうちL1。
4. まとめ
L1正則化＝重みの絶対値の和をペナルティ——多くの重みを0にして特徴を“厳選”する手法（Lasso）。