2026.05.03

【G検定対策】正則化とは？わかりやすく整理

seo-webmaster

プロモーションが含まれています

機械学習でよく出てくる「正則化（regularization）」ですが「結局、何をしているの？」と感じていませんか？

正則化はモデルがデータを覚えすぎてしまう「過学習を防ぐための重要な仕組み」です。

この記事ではL1・L2正則化の違いや役割を図解でわかりやすく整理します。

モデルとは『AIがデータをもとに判断するための「仕組み」や「計算のルール」のこと』です。

ジャンプするもくじ

正則化とは？
1. なぜ正則化が必要なのか
2. 正則化の基本イメージ
正則化の種類と比較
注意点（G検定頻出）
G検定ではどう問われる？
まとめ
関連記事・おすすめ記事

正則化とは？

正則化とは…

　モデルを「シンプルにすることで過学習を防ぐ方法」

です。

モデルとは『AIがデータをもとに判断するための「仕組み」や「計算のルール」のこと』です。

モデルが複雑すぎると訓練データを覚えすぎてしまいます。

その結果

　未知のデータで精度が落ちる（過学習）

事象が発生します。

正則化は

　 「無駄に複雑なモデル」を抑える仕組み

で、過学習を防ぐ効果があります。

なぜ正則化が必要なのか

AIが学習をしていると下記の問題が起こることがあります。

モデルが複雑すぎると過学習する
訓練データにだけ強くなる
未知データで使えない

過学習の状態は

　訓練データ → 正解率が高い

　テストデータ → 正解率が低い

過去問をひたすら覚えた → 新しい問題だと解けない… という状態です。

つまり

　覚えすぎて応用できない状態

正則化はこれを防ぐために使います。

正則化の基本イメージ

「汎化性能」とは、学習に使っていない未知のデータに対して、どれだけ正確に予測・分類できるかを示す能力のことです。

正則化は下記の効果があります。

　大きすぎる重みを抑える

　モデルをシンプルにする

つまり、過剰な学習を防ぐことができます。

イメージとして下記です。

　複雑なモデル → 曲がりくねった線

　シンプルなモデル → なめらかな線

正則化すると

　なめらかで汎用性能の高いモデルになる

ということです。

正則化の種類と比較

G検定で出題される正則化をいくつか記載します。

L1正則化（ラッソ回帰）

L1正則化とは

　不要な重みを「0」にする正則化

です。

特徴として

　不要な特徴量を削除

することができます。

特徴量選択ができる正則化

・重要な特徴だけ残る
・モデルがシンプルになる

L2正則化（リッジ回帰）

L2正則化とは

　重みを「小さく」する正則化

です。

特徴として

　すべての重みを均等に抑える

　安定したモデルになる

をあげることができます。

全体をなめらかにする正則化

L1とL2の違い

L1とL2の違いとして下記のものがあげられます。

　L1 → 不要なものを消す

　L2 → 全体を抑える

使い分け方として下記を覚えておくといいです。

　特徴量を減らしたい → L1

　安定した学習をしたい → L2

L1 ＝ 0にする

L2 ＝小さくする

正則化のメリット

正則化のメリットとして下記があげられます。

　○ 過学習を防げる

　○ 汎化性能が向上する

　○ モデルがシンプルになる

「汎化性能」とは、学習に使っていない未知のデータに対して、どれだけ正確に予測・分類できるかを示す能力のことです。

正則化のデメリット

正則化のデメリットとして下記のものがあげられます。

　やりすぎると精度が落ちる

　ハイパーパラメータの調整が必要

強すぎる正則化だと…

　学習不足（アンダーフィッティング）になる
　→ 学習が足りていない状況

　学習不足（アンダーフィッティング）になる
　→ 学習が足りていない状況

バランスが重要

ドロップアウト（Dropout）との関係

ドロップアウトも正則化の一種 です。

違いとしては下記があげられます。

　L1正則化・ L2正則化 → 制限を掛ける

　ドロップアウト → 制限を掛ける前に無効化

どちらも過学習対策です。詳細は別の記事で記載します。

注意点（G検定頻出）

注意点（ポイント）として下記があります。

正則化はペナルティを与える
L1とL2の違いを理解する
ドロップアウトは学習時のみ有効
正則化とドロップアウトの違い
目的と効果をセットで覚える

G検定ではどう問われる？

「なぜ必要か」と「違い」をセットで覚えることが重要です。

正則化の目的
過学習との関係
ドロップアウトと関係
L1正則化の特徴
L2正則化の特徴
L1正則化とL2正則化の違い

まとめ

正則化とは…

正則化は過学習を防ぐための手法
モデルをシンプルにする
L1とL2が基本

複雑すぎるモデルを抑える仕組み

正則化とは、「学習しすぎ」を防ぐための仕組みです。

モデルをシンプルに保ち、特定の特徴や構造への過度な依存を抑えることで、未知データにも強いモデルを作ります。

L1・L2やドロップアウトを適切に使い分けることで、精度と汎化性能のバランスを取ることが重要です。

公式テキスト

Amazonで確認

Amazonで詳細を見る

楽天市場で確認

楽天市場で詳細を見る

合格時に使用した問題集