機械学習よもやま　正則化（リッジ/ラッソ回帰）

正則化って、人生の調整マジックみたいなもの

機械学習の世界には「過学習」という厄介な現象があります。
簡単に言うと、モデルが訓練データに夢中になりすぎて、未知のデータに出会うと挙動がおかしくなる状態。
人間で例えるなら、歩くWikipediaのような人。知識は豊富だけど、ちょっとした変化に動揺してパフォーマンスがブレまくる、そんなタイプです。

そこで登場するのが 正則化。
一言でいうと、「尖った重みを丸くする」「無駄なクセをゼロにする」調整マジックです。
極端なこだわりや偏りを少し柔らかくすることで、安定したアウトプットを引き出せる――人生でもチームでも応用可能な、ちょっとした知恵のようなものです。

リッジ回帰（L2正則化）

リッジ回帰は、モデルの全ての重みを少しずつ均すことで、極端な偏りを防ぐ手法です。
NBAのレジェンド、ジョン・ストックトンを思い浮かべてみてください。
技術も、頭脳も、献身も――完璧すぎる彼はまさに「スーパースターモデル」。
でも、試合には予想外のノイズがつきもの。チームメイトのミス、戦術の齟齬、相手の挑発……。
リッジ回帰的調整をすると、完璧さを少し肩の力抜いて丸め、ノイズに振り回されずに安定したパフォーマンスを発揮できるイメージです。
言い換えれば「全員の動きをちょっと許容しながら、自分の軸を守る」感覚です。

ラッソ回帰（L1正則化）

一方、ラッソ回帰は「不要な重みをゼロにする」手法です。
ここで浮かぶのがジャ・モラント。
彼はある試合では爆発的な活躍をすることもあれば、別の試合で極端に低調なパフォーマンスに終始する――まさに過学習バスケモデルです。
ラッソ回帰でいうと、夜遊びやコート外でのリスクの大きい行動の重み（彼の人生における優先度）をゼロにしてしまうイメージ。
結果として、爆発力は残しつつ、パフォーマンスの安定性が増すわけです。
言い換えれば「人生で邪魔になる要素をバッサリ削る魔法」とも言えます。

正則化は、機械学習だけの話ではありません。
人生やチームのパフォーマンスにも応用できる「調整の魔法」。
極端を丸め、不要を捨てれば、成果はより安定して、思わぬ力を発揮できる扉が開く。

日常の中で、自分のこだわりすぎるクセや、無意識に抱えている雑多な負荷を少し見直してみる。
それも立派な「人生の正則化」です。

※数学的には、正則化とはモデルの重みを調整して過学習を抑える手法です。