一個線性迴歸模型發生了過度擬合（overfitting），因此您應用了 L1 正規化。訓練後，每個特徵的權重都變成了零。為了改進模型，最好的下一步是什麼？

當線性迴歸模型發生過度擬合時，L1 正規化（Lasso）可以透過將不重要特徵的權重縮減為零來減少模型複雜度。然而，如果所有特徵的權重都變為零，這表示 L1 正規化的強度過高，導致模型過於簡化，無法從資料中學習任何有意義的模式，這是一種欠擬合（underfitting）的極端情況。因此，降低 L1 正規化強度（即降低正規化超參數 $\lambda$ 的值）是正確的解決方案，它能讓模型有機會學習更多特徵的權重，從而提高模型的擬合能力。增加 L1 正規化強度會使問題惡化。增加 L2 正規化（Ridge）在所有權重都已為零的情況下沒有幫助，因為 L2 正規化傾向於將權重縮小到接近零，而不是完全為零。