在 Lasso 模型中，L1 正則化（Regularization）導致參數收斂為零的原因為何？
答案 （C）
核心概念
Lasso 就是加了 L1 懲罰項（權重絕對值總和）的迴歸。因為絕對值函數在 0 這個點是尖角，對權重的壓縮力道不會隨權重變小而減弱，所以那些對預測沒什麼貢獻的特徵，權重會被一路推到剛好等於 0，最後只留下少數重要特徵——這就是「稀疏解（Sparse Solution）」，也是 Lasso 能兼做特徵選擇的原因。
答題技巧
快速判斷技巧：看到「Lasso／L1／收斂為零」，直接鎖定含有「稀疏（Sparse）」兩個字的選項，這是 L1 的招牌詞。
易錯陷阱：(B) 用「平滑」這個聽起來很正面的詞混淆，但平滑是 L2 的標籤；(D) 則是用「非凸」這種進階術語製造氣勢。遇到不熟的術語不要被嚇到，先確認最有把握的那個關鍵字（稀疏）有沒有出現。