라쏘 회귀(Lasso Regression)

라쏘 회귀(Lasso Regression)는 선형 회귀(Linear Regression)에 L1 정규화(Regularization)를 추가한 모델입니다.
라쏘(Lasso)는 Least Absolute Shrinkage and Selection Operator의 약자로, 변수 선택(Feature Selection) 기능을 제공하는 것이 특징입니다.

Table of Contents

Toggle

1. 라쏘 회귀의 핵심 개념

선형 회귀의 과적합(Overfitting) 문제 해결
L1 정규화(Regularization) 적용
일부 회귀 계수를 0으로 만들어 변수 선택 기능 제공

라쏘 회귀는 불필요한 변수의 회귀 계수를 0으로 만들어 모델을 간소화하는 역할을 합니다.
따라서 고차원 데이터에서 중요하지 않은 변수를 자동으로 제거하는 데 유용합니다.

2. 라쏘 회귀 수식

라쏘 회귀는 기존 선형 회귀의 비용 함수(손실 함수)에 L1 패널티를 추가한 형태입니다.

첫 번째 항: 일반적인 선형 회귀의 손실 함수(Mean Squared Error, MSE)
두 번째 항: L1 정규화 패널티(Regularization Term)
λ(람다): 정규화 강도를 조절하는 하이퍼파라미터
- λ가 클수록 → 많은 변수의 가중치가 0이 되어 변수 선택 효과 발생
- λ가 작을수록 → 선형 회귀와 유사하게 동작

3. 라쏘 회귀의 특징

✅ 변수 선택(Feature Selection) 기능 제공

일부 회귀 계수를 0으로 만들어 불필요한 변수 제거
고차원 데이터에서 중요한 변수만 선택하는 데 유용

✅ 과적합 방지

모델이 너무 복잡해지는 것을 방지하여 일반화 성능을 향상시킴

✅ L1 정규화 적용

릿지 회귀(Ridge)와 달리 일부 변수의 계수를 0으로 만들기 때문에 해석이 쉬움

✅ 다중 공선성 해결 가능

다중 공선성이 있는 데이터에서도 효과적으로 동작

4. 릿지 회귀(Ridge) vs. 라쏘 회귀(Lasso)

비교 항목	릿지 회귀 (Ridge)	라쏘 회귀 (Lasso)
정규화 방식	L2 정규화 (제곱합)	L1 정규화 (절댓값 합)
과적합 방지	가능	가능
변수 선택 기능	없음	있음 (일부 가중치를 0으로 만듦)
다중 공선성 해결	효과적	효과적이지만 릿지보다 덜 안정적
모델 해석	복잡 (모든 변수 사용)	간결 (불필요한 변수 제거)

💡 릿지는 모든 변수를 사용하지만 가중치를 줄이고, 라쏘는 불필요한 변수는 완전히 제거함.

5. 라쏘 회귀의 예제 코드 (Python)

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import Lasso
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import make_regression

# 데이터 생성
X, y = make_regression(n_samples=100, n_features=10, noise=10, random_state=42)

# 데이터 스케일링
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 훈련/테스트 데이터 분할
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 라쏘 회귀 모델 학습
lasso = Lasso(alpha=0.1)  # λ = 0.1
lasso.fit(X_train, y_train)

# 회귀 계수 확인
print("Lasso 회귀 계수:", lasso.coef_)

# 중요하지 않은 변수들은 계수가 0이 됨
plt.bar(range(len(lasso.coef_)), lasso.coef_)
plt.xlabel("Feature Index")
plt.ylabel("Coefficient Value")
plt.title("Lasso Regression Coefficients")
plt.show()

📌 일부 계수가 0이 되는 것을 확인할 수 있음!
즉, 불필요한 변수를 자동으로 제거하는 효과가 있음.

6. 라쏘 회귀를 사용하는 경우

✅ 변수 선택이 필요한 경우

중요하지 않은 변수를 자동으로 제거하여 모델을 단순화하고 해석 가능성을 높임

✅ 고차원 데이터셋을 다룰 때

입력 변수가 많고, 일부만 중요한 경우 효과적

✅ 과적합을 방지하고 싶을 때

불필요한 변수를 제거하여 모델의 복잡도를 낮춤

✅ 모델을 해석하기 쉽게 만들고 싶을 때

가중치가 0인 변수는 모델에 영향을 주지 않으므로 분석이 쉬워짐

7. 결론: 한 줄 요약

라쏘 회귀(Lasso Regression) 는 선형 회귀에 L1 정규화를 적용하여 불필요한 변수를 자동으로 제거하는 모델입니다.
고차원 데이터에서 변수 선택(Feature Selection)이 필요할 때 유용하며, 과적합을 방지하는 데에도 효과적입니다. 🚀

zerg96