問題 No.1107
リッジ回帰とラッソ回帰の両方のペナルティを組み合わせた手法は【 】である。
【正解の解説】
Elastic Net
Elastic Netは、重みの絶対値和を加えるL1正則化（Lasso：特徴量選択効果）と、重みの二乗和を加えるL2正則化（Ridge：過学習抑制効果）の両方のペナルティ項をハイブリッドで組み込むことで、相関の強い特徴量群を効果的に扱えるようにした正則化手法です。
スポンサーリンク
【その他の選択肢の解説】
Dropout
Dropoutは、ディープラーニングの訓練時にランダムに一部のノード（ニューロン）を不活性化させることでアンサンブル効果を生み出し、過学習を防ぐアルゴリズムです。リッジ回帰やラッソ回帰のような損失関数にペナルティ項を加える回帰手法ではありません。
Early Stopping
Early Stopping（早期終了）は、モデルの訓練中に検証データ（Validation Data）の評価スコアを監視し、過学習が始まり性能が低下し始める直前で自動的に学習をストップさせるテクニックです。数式上でペナルティを組み合わせる正則化とは異なります。
Data Augmentation
Data Augmentation（データ拡張）は、既存の入力画像に対して回転、拡大、反転、色調補正などの変換を加えてデータのバリエーションを増やし、汎化性能を高める手法です。損失関数に正則化項を追加するリッジやラッソの組み合わせとは関係ありません。