---
title: "L1 正則化（L1 Regularization (Lasso)）"
slug: l1-regularization-lasso
language: zh-TW
source: https://aiterms.tw/terms/l1-regularization-lasso
updated_at: 2026-04-29
tags: [機器學習, 最佳化, 特徵工程]
ipas_term: false
---

# L1 正則化（L1 Regularization (Lasso)）

> **你有沒有想過，模型如果塞進太多特徵，會不會像報告寫太多廢話一樣失焦？**
>
> 你可以把它想成強迫模型只留真正重要的欄位，其他不重要的直接壓到零。
>
> L1 正則化透過懲罰權重的絕對值總和，驅使模型將不重要特徵的權重歸零，達到特徵選擇的效果
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **L2 正則化**
> L1 會把一些權重直接壓成零，L2 只是把所有權重縮小。
>
> **特徵選擇**
> 特徵選擇是目的，L1 是常用手段之一，不是唯一做法。

### 記住這句就好
> 想刪特徵，先想到 L1。

### 實際案例
> **基因資料分析**
> 幾千上萬個基因裡，真正和疾病有關的可能只有少數，L1 能幫忙篩選。
>
> **垃圾郵件過濾**
> 大量詞彙裡只有少數訊號詞有用，L1 會把大多數不重要的權重壓掉。

### 算法與應用
> L1 的懲罰是權重絕對值總和，懲罰加重時，很多權重會被推到 0。這種稀疏性讓模型更容易解釋，也能減少過擬合，但遇到高度相關特徵時，結果可能不穩。

### 情境判斷
> **Q1（直覺題）：** 如果你現在遇到一個 基因資料分析 的場景，這個概念會是第一個想到的工具嗎？
> → 看情況，但如果任務目標和這個概念的用途一致，就很可能是。核心還是先確認你要解決的是分類、分群、壓縮、檢索，還是最佳化。
>
> **Q2（判斷題）：** 如果你把它和 特徵選擇 一起用，結果反而變不穩，通常該怎麼想？
> → 看情況。先檢查資料分布、特徵定義和模型假設是否相容，很多時候不是概念本身有問題，而是使用條件不對，像距離尺度沒對齊、標註規則不一致，或輸入格式不合。

### iPAS 考題
> **出題方向：** 這類概念常考定義、差異和實務用法。
> **題目** 哪一種正則化具有自動特徵選擇能力？
> → **答案：C。** L1 正則化可以把不重要特徵的權重壓到 0，等於自動做特徵選擇。L2 只會縮小權重，不會歸零。

### 常見問題
> **Q：L1 正則化 最容易跟 L2 正則化 混淆嗎？**
> L1 會把一些權重直接壓成零，L2 只是把所有權重縮小。
>
> **Q：什麼情況會用到 L1 正則化？**
> 你可以把它想成強迫模型只留真正重要的欄位，其他不重要的直接壓到零。 實務上只要你要處理和這個概念相符的任務，就會用到它。
>
> **Q：初學者最常錯在哪裡？**
> 特徵選擇是目的，L1 是常用手段之一，不是唯一做法。

### 相關術語
> - **正則化**：讀完這個後，接著看它，可以把 L1 正則化 放回更完整的系統脈絡裡。
> - **過擬合**：讀完這個後，接著看它，可以把 L1 正則化 放回更完整的系統脈絡裡。
> - **L2 正則化**：讀完這個後，接著看它，可以把 L1 正則化 放回更完整的系統脈絡裡。
> - **梯度下降**：讀完這個後，接著看它，可以把 L1 正則化 放回更完整的系統脈絡裡。

---

來源：https://aiterms.tw/terms/l1-regularization-lasso
快查頁：https://aiterms.tw/terms/l1-regularization-lasso
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-l1-regularization-lasso