教師あり学習：決定木・アンサンブル・SVMの一問一答

決定木の特徴として、最も不適切なものを1つ選びなさい。

• ①学習の前に、特徴量ごとの値の大きさを必ずそろえておく必要がある。
• ②条件分岐の流れを図で示せるため、予測の根拠を説明しやすい。
• ③木を深くしすぎると学習データに合わせすぎ、過学習を起こしやすい。
• ④分割の基準として、ジニ不純度や情報利得などの指標が使われる。

ランダムフォレストの説明として、最も適切なものを1つ選びなさい。

• ①1本の決定木を、前の木の誤りを修正するように何度も作り直して、最後の木だけで予測する。
• ②データや特徴量をランダムに選んで多数の決定木を作り、予測の多数決や平均で結果を導き出す。
• ③特徴量をすべて使って1本の深い決定木を作り、その葉に入ったデータの多数決で予測する。
• ④決定木の枝をランダムに切り落として、木の深さをできるだけ浅くするための剪定の方法である。

アンサンブル学習の「バギング」と「ブースティング」の違いとして、最も適切なものを1つ選びなさい。

• ①ブースティングは複数のモデルを並列に独立して学習し、バギングは前のモデルの誤りを補うように順番に学習する。
• ②バギングもブースティングも1つのモデルだけを学習する方法で、両者の違いは学習データの量だけである。
• ③バギングは複数のモデルを並列に独立して学習し、ブースティングは前のモデルの誤りを補うように順番に学習する。
• ④バギングは誤分類したデータの重みを大きくして学習し、ブースティングは重複を許してデータを抽出する。

勾配ブースティングの説明として、最も適切なものを1つ選びなさい。

• ①多数の決定木を互いに独立に学習させ、それらの予測の多数決で結果を決める。
• ②誤差を出力層から入力層へ逆向きに伝え、各層の重みを一度に更新していく。
• ③データの分布を学習し、学習データと同じ傾向を持つ新しいデータを作り出す。
• ④前のモデルの予測と正解との差（残差）を、次の決定木で学習して補っていく。

ブースティングの代表的な手法である「AdaBoost」の説明として、最も適切なものを1つ選びなさい。

• ①前のモデルが誤分類したデータの重みを大きくして、次のモデルがそれを重視して学習する。
• ②前のモデルが正しく分類したデータの重みを大きくして、次のモデルがそれを重視して学習する。
• ③すべてのデータの重みを常に同じに保ったまま、同じモデルを何度も学習し直す手法である。
• ④誤分類したデータを学習データから取り除き、残ったデータだけで次のモデルを学習させる。

サポートベクターマシン（SVM）の説明として、最も適切なものを1つ選びなさい。

• ①境界線と、それに最も近いデータとの距離（マージン）が最小になるように境界を決める。
• ②境界線と、それに最も近いデータとの距離（マージン）が最大になるように境界を決める。
• ③すべての学習データを記憶し、新しいデータに最も近いデータのクラスを答えに使う。
• ④データを木の形の条件分岐で分けていき、最後にたどり着いた葉のクラスを答えに使う。

サポートベクターマシンで用いられる「カーネル法（カーネルトリック）」の説明として、最も適切なものを1つ選びなさい。

• ①データを低い次元の空間へ圧縮して、特徴量の数をできるだけ減らすための次元削減の工夫
• ②誤分類をある程度許すことで、外れ値の影響を受けにくい境界線を引けるようにする工夫
• ③データを高い次元の空間へ写して線形に分けられるようにし、その計算を楽に済ませる工夫
• ④多数のサポートベクターマシンを組み合わせて、予測の多数決で精度を高めるための工夫

サポートベクターマシンの「ソフトマージン」の説明として、最も適切なものを1つ選びなさい。

• ①学習データを一切誤分類しない境界だけを認めて、少しの誤りも許さない考え方
• ②データを高い次元の空間へ写して、直線で分けられるようにするための考え方
• ③マージンを最小にすることで、すべてのデータを境界線の近くに集める考え方
• ④ある程度の誤分類を許すことで、外れ値などに引きずられない境界を引く考え方

ブートストラップサンプリングの説明として、最も適切なものを1つ選びなさい。

• ①元のデータから、重複を許してランダムにデータを取り出して、新しいデータの組を作る。
• ②元のデータから、重複を許さずに先頭から順番にデータを取り出して、データの組を作る。
• ③元のデータを正確に半分に分けて、片方を学習用、もう片方をテスト用として使う方法である。
• ④元のデータに少しずつノイズを加えて変形させ、データの件数を人工的に増やす方法である。

アンサンブル学習の説明として、最も適切なものを1つ選びなさい。

• ①1つのモデルを、学習データを変えずに何度も最初から学習し直して調整する方法
• ②複数のモデルの予測を組み合わせ、単独のモデルより高い性能を得ようとする方法
• ③学習済みのモデルの重みを、別の課題を解くモデルの初期値として再利用する方法
• ④大きなモデルの出力をまねるように、小さなモデルを学習させて軽くする方法