G検定 用語解説
L1正則化／L2正則化とは
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。
まず押さえる結論
L1正則化／L2正則化は、G検定の「大項目4 ディープラーニングの概要」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）比較記事でさらに確認する
具体例から判断の境界を固める
評価指標ではなく、学習時の目的関数へ罰則を加える過学習対策として捉える
多数の説明変数を持つモデルで学習データへ過度に合わせたくない場合、元の損失へ重みに応じた罰則を加えます。L1正則化は重みの絶対値、L2正則化は重みの二乗に基づく項を使います。L1では一部の係数がゼロになりやすく、L2では大きな係数を全体に抑える方向へ働く、という違いを押さえます。
- 問題文で見る箇所
- 目的関数、罰則項、係数、重み、過学習、スパースという語を確認します。精度を測る話ではなく、学習時にどの解を選びやすくするかという問いなら正則化を候補にします。L1とL2は罰則の形と係数への作用で分けます。
- 隣接概念との境界
- 適合率・再現率・F値は予測結果を混同行列から評価する指標です。L1・L2正則化はモデルを学習する段階の制約なので、正則化を使った後に適合率や再現率で性能を評価できます。学習対策と評価結果を同じ種類の数値として扱いません。
誤答しやすい選択肢
- 偽陽性を減らすためにL1正則化を選ぶ、と直接結び付ける。誤りの費用から選ぶのはまず評価指標や閾値です。
- L2正則化なら不要な係数が必ずゼロになるとする。ゼロになりやすい性質はL1との比較で問われます。
- 正則化を加えれば未知データでの性能が必ず上がると断定する。罰則の強さを含め、結果は検証が必要です。
4段階の判断手順
- 01問われているのが学習時の制約か、学習後の評価かを先に分ける。
- 02罰則が重みの絶対値か二乗か、係数をゼロへ寄せる意図があるか読む。
- 03偽陽性・偽陰性の説明しかない選択肢を評価指標の論点として外す。
- 04過学習対策の効果を未知データで検証する必要があることまで確認する。
到達条件: L1とL2の罰則と係数への作用を説明し、適合率・再現率が別の評価段階であると言える。
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×勾配消失問題と勾配爆発の混同、およびReLUなど活性化関数による緩和の役割。
×局所最適解・大域最適解・鞍点の区別（鞍点はある方向に極小・別方向に極大）。
×誤差逆伝播法（バックプロパゲーション）と勾配降下法の役割の取り違え。
関連する確認問題
大項目4 ディープラーニングの概要 / ニューラルネットワークの基礎
入力を直接出力に結びつける単純な構造では表現力が足りないため、入力層と出力層の間に中間の層を追加して複雑な対応関係を表せるようにしたニューラルネットワークはどれか。
正解は多層パーセプトロン。入力層と出力層だけを直接つなぐ単純パーセプトロンでは表現力に限界があるため、間に隠れ層を挟んで複雑な入出力関係を近似できるようにしたのが多層パーセプトロンである。単純パーセプトロンは、この設問が「表現力が足りない」と指摘している改善前の構造そのものであり、隠れ層を持たない。オートエンコーダも隠れ層を持つが、目的は入力と同じものを出力へ再現し低次元表現を得ることにあり、設問が求める「複雑な対応関係を表す」ための多層化とは目的が異なる。畳み込みニューラルネットワークは画像などの空間構造を持つデータに畳み込み層・プーリング層を適用する専用構造で、隠れ層に相当する層を持つ点は共通しても、汎用的な多層パーセプトロンの説明とは別のアーキテクチャである。
大項目4 ディープラーニングの概要 / ニューラルネットワークの基礎
ニューロンが受け取る複数の入力それぞれに掛け合わされ、その入力が出力にどれだけ影響するかを表す、学習によって調整される数値はどれか。
正解は重み。ニューロンは複数の入力を受け取り、それぞれに個別の重みを掛け合わせて足し合わせることで、その入力が出力にどれだけ影響するかを表す。重みは学習によって値が調整され、入力ごとに異なる値を持つ点が特徴である。バイアスは入力に掛け合わされる係数ではなく、重み付き和に加算される定数項で、ニューロンの発火のしやすさ（閾値相当）を調整する。活性化関数は、重みとバイアスで計算した値を非線形に変換する関数そのものであり、入力に掛け合わされる数値ではない。学習率は勾配に基づいてパラメータをどれだけ動かすかを決める更新の歩幅であり、入力ごとに個別に存在する値でもない。
大項目4 ディープラーニングの概要 / 学習の仕組み
出力で生じた誤差を出力側の層から入力側の層へ向かってさかのぼらせ、各重みをどれだけ修正すべきかを計算する学習手法はどれか。
正解は誤差逆伝播法。出力層で生じた誤差を出力側から入力側へ向かって連鎖律で伝え、途中の各層の重みをどれだけ修正すべきか（勾配）を計算する手法である。確率的勾配降下法は、誤差逆伝播法で求めた勾配を使って実際に重みを更新する最適化の手続きであり、誤差を逆向きに伝えて勾配を求める計算そのものではない。主成分分析はデータの分散が大きい方向を軸として次元を削減する教師なし学習の手法で、重みの修正量を計算する学習手法ではない。交差検証はデータを分割して学習と評価を繰り返し汎化性能を見積もるモデル評価の手法であり、重みを更新する仕組みとは別の枠組みに属する。
同じ章で確認したい用語
到達チェック
- L1正則化／L2正則化を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、L1正則化／L2正則化に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）