iPAS 考題解析在監督式學習的特徵選取中，Lasso 迴歸（L1 正則化）能自動進行特徵選取的原因為何？

解析

正確答案：D. Lasso 的 L1 懲罰項在最優化過程中傾向將部分係數精確壓縮至零

L1 正則化（Lasso）的懲罰項為係數絕對值之和，其等值曲線（Constraint Region）在坐標軸上有尖角，最優解傾向恰好落在坐標軸上（即部分係數為零），自動執行特徵選取。這與 L2（Ridge）的球形約束不同，L2 使係數趨近但不等於零。

每個選項為什麼對或錯

• A Lasso 計算每個特徵的皮爾森相關係數並刪除低相關特徵 錯誤選項

  皮爾森相關係數是過濾法特徵選取，非 Lasso 的機制。

• B Lasso 透過決策樹確認特徵重要性後刪除低重要性特徵 錯誤選項

  決策樹特徵重要性是另一種方法，非 Lasso。

• C Lasso 使用遞歸特徵消除（RFE）方法逐步移除特徵 錯誤選項

  遞歸特徵消除（RFE）是包裝法，非 Lasso 本身的機制。

• D Lasso 的 L1 懲罰項在最優化過程中傾向將部分係數精確壓縮至零 正解

  L1 懲罰的幾何特性使係數精確為零，此為正確原因。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。