2. 在建立迴歸或分類模型時，若希望避免模型過度擬合(Overfitting)，可透過加入正則化項以限制模型的複雜度。其中，L1 正則化(Lasso)的主要效果為何？
(A)增加模型參數的數量，以提升表現靈活度；
(B)強化梯度穩定性，避免參數更新過度震盪；
(C)產生稀疏模型(Sparse Model)，使部分參數權重收斂為零；
(D)提高學習率(Learning Rate)，加速模型收斂速度

答案：登入後查看
統計： A(0), B(3), C(9), D(0), E(0) #3774676

。

B1 · 2026/01/25

#7285356

正確答案是 (C)。簡要說明：L1 ...

(共 89 字，隱藏中）

前往觀看

hchungw

B2 · 2026/05/14

#7372176

L1 正則化 (Lasso, Least Absolute Shrinkage and Selection Operator)：在損失函數（Loss Function）中加入權重參數的絕對值之和（\(\sum |w_i|\)）作為懲罰項。
稀疏性 (Sparsity)：由於 L1 懲罰項的特性（在頂點處不可導），它傾向於將不重要的特徵的參數權重（Weight/Coefficient）直接縮減為精確的 \(0\)。
主要效果：這會導致模型變得「稀疏」（Sparse Model），即參數矩陣中包含大量的 \(0\)。這種特性使得 L1 正則化能夠自動進行特徵選擇（Feature Selection），從而避免過度擬合。