L1säännöllistämisessä

L1-säännöllistämisessä, joka tunnetaan myös nimellä LASSO (Least Absolute Shrinkage and Selection Operator), on menetelmä, jota käytetään regressiomallien estimoinnissa ja piirteiden valinnassa. Se on eräänlainen säätömenetelmä, joka lisää optimointiongelmaan rangaistustermin.

Menetelmän keskeinen ero perinteiseen pienimmän neliösumman menetelmään (OLS) on siinä, että L1-säännöllistämisessä käytetty rangaistustermi perustuu mallin kertoimien itseisarvojen summaan. Tämä rangaistustermi pakottaa jotkin mallin kertoimista täsmälleen nollaan, mikä johtaa automaattiseen piirteiden valintaan. Toisin sanoen, LASSO pystyy poistamaan mallista epäolennaisia piirteitä ja siten yksinkertaistamaan mallia.

L1-säännöllistämisessä on hyödyllinen erityisesti tilanteissa, joissa ennustemuuttujia on paljon, mutta vain osa niistä on todella merkityksellisiä lopputuloksen kannalta. Kun joitakin kertoimia nollataan, mallista tulee selkeämpi ja se voi yleistyä paremmin uuteen dataan, vähentäen ylisovituksen riskiä. Sitä käytetään laajasti koneoppimisessa ja tilastollisessa mallinnuksessa.