iPAS 考題解析
在 Lasso 模型中，L1 正則化（Regularization）導致參數收斂為零的原因為何？
初級 人工智慧基礎概論
難度：中等 ★★☆ 114 年考題
考試範圍定位
- 考試等級
- 初級能力鑑定
- 考試科目
- 人工智慧基礎概論
- 知識主題
- 人工智慧概念
- 能力指標
- AI 的定義與分類（L11101）
本題屬於 iPAS AI 應用規劃師初級能力鑑定「人工智慧基礎概論」科目中的「人工智慧概念」範疇， 對應的能力指標為「AI 的定義與分類」，涵蓋AI 定義、弱 AI vs 強 AI vs 超 AI 分類、三大 AI 浪潮等核心知識點。 考生在準備這個範疇時，需要掌握相關的理論基礎與實務應用。
題目與選項
在 Lasso 模型中，L1 正則化（Regularization）導致參數收斂為零的原因為何？
- A. L1 正則化忽略目標變數；
- B. L1 對梯度有平滑作用；
- C. L1 對大係數懲罰較強，促使稀疏解； ✓ 正確答案
- D. L1 會轉換損失函數為非凸形
詳細解析
正確答案：C. L1 對大係數懲罰較強，促使稀疏解；
L1 正則化對權重的絕對值施加懲罰，大權重受到的懲罰較強。由於 L1 的梯度在零點附近不連續（不可微），這使得優化過程更容易將參數直接推到零，產生稀疏解。
各選項逐一解析
理解每個選項為什麼對或錯，是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。
A. L1 正則化忽略目標變數； （不正確）
L1 正則化仍然考慮目標變數，它只是在損失函數中加入額外的懲罰項。
B. L1 對梯度有平滑作用； （不正確）
L1 的梯度在零點不連續，不具有平滑作用，這反而是 L2 的特性。
C. L1 對大係數懲罰較強，促使稀疏解； （正確）
L1 對大係數施加較強懲罰，促使不重要的特徵權重收斂為零，產生稀疏解。
D. L1 會轉換損失函數為非凸形 （不正確）
L1 正則化加入後損失函數仍可能是凸的（如線性迴歸 + L1），並不會轉為非凸。
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
中等題備考建議
- ▶ 本題屬於中等難度，需要理解概念之間的關聯與應用情境，不能只靠死背定義。
- ▶ 中等難度的題目常考「為什麼」和「怎麼用」，建議整理各技術的優缺點比較表。
- ▶ 練習時注意錯誤選項的陷阱設計，很多時候錯誤選項只有一兩個字的差異，需要仔細辨別。
- ▶ 建議用「費曼學習法」，嘗試向別人解釋這道題的解題思路，能講清楚就代表真正理解了。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自初級考試範圍，適合正在準備初級認證的考生練習。
開始準備 iPAS 考試
本題來自 114 年 AI 應用規劃師初級考試。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。