従来型ML・データ
正則化とは？意味・仕組みをわかりやすく解説
せいそくか / Regularization ／ 最終更新日：2026年7月7日
30秒でわかる定義
正則化とは、機械学習モデルが訓練データに過剰に適合する『過学習』を抑え、未知のデータへの汎化性能を高めるための手法の総称です。モデルの複雑さにペナルティを課したり、学習中に一部を無効化したりして、単純で頑健なモデルに導きます。
仕組み・基本の流れ
- 1L2正則化（リッジ）：重みが大きくなりすぎないようペナルティを加える
- 2L1正則化（ラッソ）：不要な特徴量の重みを0にし、特徴量選択の効果を持つ
- 3ドロップアウト：学習時にランダムに一部のノードを無効化し、特定の経路への依存を防ぐ
- 4早期終了（アーリーストッピング）：検証誤差が悪化し始めたら学習を止める
実務でのポイント：正則化は過学習対策の中心的な手段です。L1は特徴量を絞り込みたいとき、L2は全体をなめらかに抑えたいときに向きます。ディープラーニングではドロップアウトやデータ拡張と組み合わせて使われます。強すぎると今度は未学習になるため、強度の調整が重要です。
関連する用語
このスキルを活かせる職種と年収は？
正則化（L1/L2・ドロップアウト）による過学習対策は、汎化性能の高いモデルを作るML実務の基本です。なぜその正則化を選ぶかを説明できることが評価されます。
よくある質問
Q. L1正則化とL2正則化の違いは？
A. L1（ラッソ）は不要な特徴量の重みを0にするため特徴量選択の効果があり、L2（リッジ）は重み全体を小さく滑らかに抑えます。特徴量を絞りたいならL1、全体を安定させたいならL2が向きます。
Q. ドロップアウトとは何ですか？
A. 学習時にランダムに一部のノードを無効化する正則化手法です。特定のノードの組み合わせへの過度な依存を防ぎ、ネットワークが頑健な特徴を学ぶよう促すことで過学習を抑えます。