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？

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。

每個選項為什麼對或錯

• A L1 正則化忽略目標變數； 錯誤選項

  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； 錯誤選項

  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； 正解

  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 錯誤選項

  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。

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。