L1säännöllöinnistä

L1-säännöllöinti, tunnetaan myös nimellä Lasso-säännöllöinti, on tekniikka, jota käytetään koneoppimisessa ja tilastollisessa mallinnuksessa estämään ylisovittumista ja parantamaan mallien yleistymiskykyä. Se on eräänlainen regularisointi, joka lisää rangaistustermin mallin häviöfunktioon.

L1-säännöllöinti eroaa L2-säännöllöinnistä siinä, miten rangaistus määritellään. L1-säännöllöinnissä rangaistustermi on mallin kertoimien itseisarvojen summa, kerrottuna säännöllöintiparametrilla lambda. Tämä johtaa siihen, että jotkin kertoimista voivat tarkalleen nollautua optimoinnin aikana. Nollautuvat kertoimet viittaavat siihen, että vastaavat piirteet eivät ole merkityksellisiä ennustamisessa, mikä mahdollistaa automaattisen piirteiden valinnan.

Tämä piirteiden valinnan ominaisuus tekee L1-säännöllöinnistä hyödyllisen tilanteissa, joissa on paljon potentiaalisia piirteitä, mutta vain osa niistä on todella tärkeää. Se voi yksinkertaistaa mallia ja tehdä siitä tulkittavamman. L1-säännöllöintiä käytetään usein lineaarisissa regressiomalleissa (Lasso-regressio) ja logistisissa regressiomalleissa (Lasso-logistinen regressio). Säännöllöintiparametrin lambda arvo vaikuttaa rangaistuksen voimakkuuteen; suurempi lambda johtaa enemmän kertoimien nollautumiseen.