用語比較
L1正則化とL2正則化の違い
L1正則化とL2正則化は、どちらもモデルの係数が大きくなりすぎるのを抑えて、過学習を防ぐ方法です。違いは、係数にかける罰則の形にあります。その結果、L1は係数をちょうど0にして変数を絞り込み、L2は係数を全体的に小さく抑えます。
G検定では、設問に出る語から判定します。「係数が0になる」「疎になる」「変数選択」ならL1（ラッソ）、「重みが小さくなる」「共線性に強い」ならL2（リッジ）です。名前を並べて暗記するより、結果がどうなるかで見分けるほうが取り違えません。
このページでは、罰則の形、係数の結果、使いどころという三つの軸で比較します。過学習そのものと正則化の関係は、別ページの過学習と正則化の違いで確認できます。ここでは、L1とL2のどちらを選ぶかだけに絞ります。
この記事の根拠と出典
各セクションの見出しの下に、公式資料で確認した内容か編集部の整理かをラベルで示しています。 試験日・料金・申込条件・試験方式は変わることがあるため、申込前に公式サイトで確認してください。G検定の一次情報確認日: 2026-10-02。
- 公式一次資料と照合した内容
- リッジ回帰の罰則と縮小、Lassoが係数をちょうど0にできて特徴選択に使えることは、scikit-learn公式ドキュメントのLinear Modelsの章へ2026-10-11に照合しています。L1がラッソ、L2がリッジという対応はG検定の登録factsの用語集に基づきます。
- 編集部が学習用に整理した内容
- 係数が0になるか、小さく抑えられるかという結果の語から判定する手順は編集部の学習上の整理です。
資格ごとの公式資料の一覧
結論
公式一次資料と照合：用語の定義は公式一次資料と照合しています。
L1正則化（ラッソ回帰）
係数の絶対値の和を罰則にする。係数をちょうど0にできるため、疎なモデルになり、特徴選択にも使える。
L2正則化（リッジ回帰）
係数の二乗和を罰則にする。係数を全体的に小さく抑える。係数は0に近づくが、ちょうど0にはなりにくい。
違いを表で確認
| 比較軸 | L1正則化（ラッソ回帰） | L2正則化（リッジ回帰） |
|---|---|---|
| 対応する回帰手法 | ラッソ回帰 | リッジ回帰 |
| 罰則に使う量 | 係数の絶対値の和 | 係数の二乗和（公式の式では alpha ||w||_2^2） |
| 係数への効果 | 係数をちょうど0にできる（疎な係数） | 係数を縮小して小さく抑える（shrinkage） |
| 結果としてのモデル | 非ゼロの係数が少なく、使う特徴量が実質的に減る | 通常は特徴量を残したまま、重みを小さくする |
| 得意な場面 | 特徴選択、変数の絞り込み | 共線性があるときに係数を安定させる |
| 選択肢で探すキーワード | 疎、スパース、変数選択、0になる | 重みを小さく、縮小、重み減衰、共線性 |
公式一次資料と照合：G検定: 2026-10-02に一次資料で確認一次資料の一覧を見る →
G検定の学習に使う書籍（Amazon）
試験範囲を通して読むときの1冊です。読んだ章は、このサイトの章別問題で確かめられます。
どこで迷っているかを切り分ける
ラッソとリッジの名前だけで覚えている人
ラッソがL1、リッジがL2という対応だけを覚えていると、説明文から逆算できません。設問では、係数が0になるのか、小さくなるだけなのかという結果の違いが問われます。まず結果の書き方を見て判定します。
どちらも過学習を防ぐので同じだと考えている人
目的が同じでも、手段が違います。使う特徴量を減らしたいなら係数を0にできるL1、特徴量は残したまま重みを抑えたいならL2です。設問が何を求めているかで分かれます。
ドロップアウトや早期終了とまとめて覚えている人
ドロップアウトは学習中にユニットを除外する方法、早期終了は学習を途中で止める方法で、どちらもL1・L2とは別の対策です。L1とL2は、損失に罰則を足して係数の大きさを抑える点が共通しています。
具体例で使い分ける
編集部の整理
例 1
説明文に『不要な特徴量の係数を0にして変数選択も兼ねる』とある場合
説明文に、係数がちょうど0になる、変数選択を兼ねる、とあります。
- scikit-learn公式ドキュメントは、Lassoを係数をちょうど0にできる線形モデルと説明しています。
- 非ゼロの係数が少ない解を好むため、解が依存する特徴量の数が実質的に減ります。
- この性質があるので、ラッソ回帰は特徴選択にも使えます。
結論: 係数が0になる、変数選択を兼ねるが出たら、L1正則化（ラッソ回帰）を選びます。
例 2
説明文に『係数を小さく抑えて、共線性に頑健にする』とある場合
説明文に、係数の大きさに罰則を課す、共線性に対して頑健になる、とあります。
- scikit-learn公式ドキュメントは、リッジ回帰を係数の大きさに罰則を課す手法と説明しています。
- 罰則の強さを決める alpha を大きくするほど縮小が強くなり、係数は共線性に対して頑健になります。
- 係数をちょうど0にするとは書かれていないので、L1ではなくL2です。
結論: 重みを小さく抑える、縮小するが出たら、L2正則化（リッジ回帰）を選びます。
例 3
選択肢にラッソとリッジが並び、効果の説明だけが与えられている場合
用語の名前が選択肢にあり、どちらがどの効果かを答える設問です。
- G検定の用語集では、L1（ラッソ）は係数を0にして変数選択も兼ね、L2（リッジ）は係数を小さく抑えて過学習を防ぐと整理されています。
- 効果の説明にある『0にする』『小さく抑える』の語が決め手になります。
- 選択肢の名前の順番や、どちらが先に習ったかでは判定しません。
結論: 0にするならラッソ、小さく抑えるならリッジと、効果の語から名前へ結びつけます。
問題文から答えを選ぶ手順
編集部の整理：係数が0になるか、小さく抑えられるかという結果の語から判定する手順は編集部の学習上の整理です。
- 1
係数が0になるかを探す
係数をちょうど0にする、疎になる、スパースという語があればL1（ラッソ）です。
- 2
変数選択の語を確認する
不要な特徴量を落とす、変数選択を兼ねるという説明もL1の手がかりです。
- 3
小さく抑える語を確認する
重みを小さくする、縮小する、重み減衰という語が中心ならL2（リッジ）です。
- 4
共線性の語で最終確認する
説明文が共線性への頑健さを述べているなら、公式ドキュメントの説明に合うL2です。
試験での見分け方
編集部の整理
- 1係数をちょうど0にできるのはL1正則化（ラッソ回帰）。
- 2変数選択、特徴選択を兼ねるのはL1正則化。
- 3係数を縮小して小さく抑えるのはL2正則化（リッジ回帰）。
- 4リッジ回帰は罰則の強さ alpha を大きくするほど縮小が強くなる。
- 5共線性に対して係数を安定させるのはL2正則化。
- 6L1とL2はどちらも、損失に罰則を足して過学習を抑える。
誤答しやすい選択肢
ラッソがL2、リッジがL1だと逆に覚える
修正: ラッソ回帰がL1、リッジ回帰がL2です。迷ったら、疎になる効果を持つほうがラッソ（L1）と結果から戻します。
L2でも係数が0になると考える
修正: L2は係数を小さく抑えますが、ちょうど0にして特徴量を落とす性質はL1の特徴です。0にするという説明があればL1です。
L1とL2をドロップアウトの仲間と考える
修正: ドロップアウトは学習中にユニットをランダムに除外する方法です。L1・L2は損失に罰則を足す方法で、仕組みが違います。
正則化は過学習を防ぐだけと決めつける
修正: L1は過学習を抑えながら、変数選択も兼ねます。効果の違いが設問の手がかりになります。
確認問題
Q1係数をちょうど0にでき、疎なモデルになるため特徴選択にも使える正則化はどちらですか？
答え: L1正則化（ラッソ回帰）
scikit-learn公式ドキュメントは、Lassoを疎な係数を推定する線形モデルで、係数をちょうど0にできると説明しています。
Q2係数の大きさに罰則を課し、alpha を大きくするほど縮小が強くなる回帰手法はどちらですか？
答え: リッジ回帰（L2正則化）
公式ドキュメントは、リッジ回帰を係数の大きさに罰則を課す手法とし、alpha が大きいほど縮小の量が大きくなると説明しています。
Q3L1とL2はどちらも、何を抑えるために損失へ罰則を足しますか？
答え: 係数が大きくなりすぎること（過学習）
どちらも係数の大きさを抑えて過学習を防ぎます。違いは、L1が係数を0にでき、L2が係数を小さく抑える点です。
到達チェック
- L1がラッソ回帰、L2がリッジ回帰だと対応づけられる
- L1が係数をちょうど0にできる理由を、公式ドキュメントの説明で言える
- L2が係数を縮小することと、alpha の役割を説明できる
- 設問の手がかり語（0になる、小さく抑える）から判定できる
- ドロップアウトとの仕組みの違いを答えられる
関連ページで確認する
同じ資格で次に知りたいこと
- ROC曲線とPR曲線の違い
ROC曲線とPR曲線（適合率・再現率曲線）の違いを、軸、しきい値の動かし方、クラスが不均衡なときの使い分け、G検定での判断手順と確認問題まで解説します。
- SGDとAdamの違い
SGD（確率的勾配降下法）とAdamの違いを、更新式、モーメンタムとの関係、1次・2次モーメントの適応的な推定、G検定での判断手順と計算例・確認問題まで解説します。
- k-meansと階層的クラスタリングの違い
k-means法と階層的クラスタリングの違いを、クラスタ数の決め方、重心とデンドログラム、凝集型の併合基準、G検定での判断手順と確認問題まで解説します。
よくある質問
QL1正則化とL2正則化の最大の違いは何ですか？
L1は係数をちょうど0にでき、疎なモデルになります。L2は係数を全体的に小さく抑えます。
Qラッソ回帰はどちらの正則化ですか？
L1正則化です。G検定の用語集でも、L1（ラッソ）は係数を0にして変数選択も兼ねると整理されています。
Qリッジ回帰の alpha は何を決めますか？
罰則の強さです。公式ドキュメントは、alpha が大きいほど縮小の量が大きくなると説明しています。
Q試験中に最短で見分ける方法は？
「係数が0になる」「変数選択」と書かれていればL1、「重みが小さくなる」「縮小」と書かれていればL2と、結果を表す語で判定します。
次に見る比較
- G検定・DS検定・統計検定2級で重なる用語10語の比較
同じ名前の用語の定義と収録章を、資格ごとに並べます。
- ベイズの定理と条件付き確率の違い（統計検定2級の式と計算例）
求める確率の向きの違いと、陽性になる確率の計算例を確かめます。
- 紛らわしい用語ペア早見表
混同しやすい用語の違いと判定の手掛かりを、資格別の一覧で確かめます。
執筆: ミナト編集部（運営者情報を見る）